Python 抓取网页乱码原因分析

原创 2016-05-23 Crossin Crossin的编程教室

在用 python2 抓取网页的时候，经常会遇到抓下来的内容显示出来是乱码。

发生这种情况的最大可能性就是编码问题：运行环境的字符编码和网页的字符编码不一致。

比如，在 windows 的控制台（gbk）里抓取了一个 utf-8 编码的网站。或者，在 Mac / Linux 的终端（utf-8）里抓取了一个 gbk 编码的网站。因为多数网站采用 utf-8 编码，而不少人又是用 windows，所有这种情况相当常见。

如果你发现你抓下来的内容，看上去英文、数字、符号都是对的，但中间夹杂了一些乱码，那基本可以断定是此情况。

解决这个问题的办法就是，把结果先按网页的编码方式 decode 解码成 unicode，再输出。如果不确定网页的编码，可参照以下代码：

import urllib

req = urllib.urlopen("http://some.web.site")
info = req.info()
charset = info.getparam('charset')
content = req.read()
print content.decode(charset, 'ignore')

'ignore' 参数的作用是忽略掉无法解码的字符。

不过这种方法不总是有效。还有种方式就是通过正则直接匹配网页代码中的编码设置：

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

除了编码问题造成乱码之外，还有种常被忽视的情况，就是目标网页启用了 gzip 压缩。压缩后的网页传输数据少了，打开速度更快。在浏览器中打开时，浏览器会根据网页的 header 信息自动做解压。但直接用代码抓取则不会。因此很可能就被搞糊涂了，为什么明明打开网页地址是对的，但程序抓取就不行。连我自己也曾经被这个问题坑过。

这种情况的表现是抓取的内容几乎全是乱码，甚至无法显示。

要判断网页是否启用了压缩并对其解压，可参考以下代码：

import urllib
import gzip
from StringIO import StringIO

req = urllib.urlopen("http://some.web.site")
info = req.info()
encoding = info.getheader('Content-Encoding')
content = req.read()
if encoding == 'gzip':
buf = StringIO(content)
gf = gzip.GzipFile(fileobj=buf)
content = gf.read()
print content

在我们教室的编程实例查天气系列中，这两个问题困扰了相当多人。在此特别讲解一下。

最后，还有个“利器”要介绍一下。如果一开始就用它，你甚至不知道还有上述两个问题的存在。

这就是 requests 模块。

同样抓取网页，只需要：