Python 抓取網頁亂碼原因分析

在用 python2 抓取網頁的時候，經常會遇到抓下來的內容顯示出來是亂碼。

發生這種情況的最大可能性就是編碼問題：運行環境的字元編碼和網頁的字元編碼不一致。

比如，在 windows 的控制台（gbk）里抓取了一個 utf-8 編碼的網站。或者，在 Mac / Linux 的終端（utf-8）里抓取了一個 gbk 編碼的網站。因為多數網站採用 utf-8 編碼，而不少人又是用 windows，所有這種情況相當常見。

如果你發現你抓下來的內容，看上去英文、數字、符號都是對的，但中間夾雜了一些亂碼，那基本可以斷定是此情況。

解決這個問題的辦法就是，把結果先按網頁的編碼方式 decode 解碼成 unicode，再輸出。如果不確定網頁的編碼，可參照以下代碼：

import urllibnreq = urllib.urlopen("http://some.web.site")ninfo = req.info()ncharset = info.getparam(charset)ncontent = req.read()nprint content.decode(charset, ignore)n

ignore 參數的作用是忽略掉無法解碼的字元。

不過這種方法不總是有效。還有種方式就是通過正則直接匹配網頁代碼中的編碼設置：

<meta http-equiv=Content-Type content="text/html;charset=utf-8">n

除了編碼問題造成亂碼之外，還有種常被忽視的情況，就是目標網頁啟用了 gzip 壓縮。壓縮後的網頁傳輸數據少了，打開速度更快。在瀏覽器中打開時，瀏覽器會根據網頁的 header 信息自動做解壓。但直接用代碼抓取則不會。因此很可能就被搞糊塗了，為什麼明明打開網頁地址是對的，但程序抓取就不行。連我自己也曾經被這個問題坑過。

這種情況的表現是抓取的內容幾乎全是亂碼，甚至無法顯示。

要判斷網頁是否啟用了壓縮並對其解壓，可參考以下代碼：

import urllibnimport gzipnfrom StringIO import StringIOnreq = urllib.urlopen("http://some.web.site")ninfo = req.info()nencoding = info.getheader(Content-Encoding)ncontent = req.read()nif encoding == gzip:n buf = StringIO(content)n gf = gzip.GzipFile(fileobj=buf)n content = gf.read()nprint contentn

在我們教室的編程實例 查天氣系列(點擊查看) 中，這兩個問題困擾了相當多人。在此特別講解一下。

最後，還有個「利器」要介紹一下。如果一開始就用它，你甚至不知道還有上述兩個問題的存在。

這就是 requests 模塊。

同樣抓取網頁，只需要：

import requestsnprint requests.get("http://some.web.site").textn

沒有編碼問題，沒有壓縮問題。

This is why I love Python.

至於如何安裝 requests 模塊，請參考之前的文章：

如何安裝 Python 的第三方模塊 - Crossin的編程教室 - 知乎專欄

pip install requestsn

其他文章及回答：

你是如何自學 Python 的？ - Crossin 的回答

學習編程的過程中可能會走哪些彎路，有哪些經驗可以參考？ - Crossin 的回答

編程初學者如何使用搜索引擎 - Crossin的文章 - 知乎專欄

如何直觀地理解程序的運行過程？ - Crossin的文章 - 知乎專欄

Crossin的編程教室

微信ID：crossincode

論壇：Crossin的編程教室

QQ群：498545096