建站
咨詢
售后
建站咨詢
新聞中心
在爬取某網站時，網頁的源代碼出現(xiàn)了中文亂碼問題。之前關于爬蟲亂碼有各式各樣的問題，今天與大家一起總結下關于網絡爬蟲的亂碼處理。注意，這里不僅是中文亂碼，還包括一些如日文、韓文 、俄文、藏文之類的亂碼處理，因為他們的解決方式 是一致的，故在此統(tǒng)一說明。
站在用戶的角度思考問題，與客戶深入溝通，找到武川網站設計與武川網站推廣的解決方案，憑借多年的經驗，讓設計與互聯(lián)網技術結合，創(chuàng)造個性化、用戶體驗好的作品，建站類型包括：網站設計制作、做網站、企業(yè)官網、英文網站、手機端網站、網站推廣、域名注冊、雅安服務器托管、企業(yè)郵箱。業(yè)務覆蓋武川地區(qū)。
一、亂碼問題的出現(xiàn)
就以爬取51job網站舉例，講講為何會出現(xiàn)“亂碼”問題，如何解決它以及其背后的機制。
代碼示例：
- import requests
- url = "http://search.51job.com"
- res = requests.get(url)
- print(res.text)
顯示結果：
打印res.text時，發(fā)現(xiàn)了什么?中文亂碼!!!不過發(fā)現(xiàn)，網頁的字符集類型采用的gbk編碼格式。
我們知道Requests 會基于 HTTP 頭部對響應的編碼作出有根據(jù)的推測。當你訪問 r.text 之時，Requests 會使用其推測的文本編碼。你可以找出 Requests 使用了什么編碼，并且能夠使用r.encoding 屬性來改變它。
接下來，我們一起通過resquests的一些用法，來看看Requests 會基于 HTTP 頭部對響應的編碼方式。
- print(res.encoding) #查看網頁返回的字符集類型
- print(res.apparent_encoding) #自動判斷字符集類型
輸出結果為：
可以發(fā)現(xiàn)Requests 推測的文本編碼(也就是網頁返回即爬取下來后的編碼轉換)與源網頁編碼不一致，由此可知其正是導致亂碼原因。
二、亂碼背后的奧秘
當源網頁編碼和爬取下來后的編碼轉換不一致時，如源網頁為gbk編碼的字節(jié)流，而我們抓取下后程序直接使用utf-8進行編碼并輸出到存儲文件中，這必然會引起亂碼，即當源網頁編碼和抓取下來后程序直接使用處理編碼一致時，則不會出現(xiàn)亂碼，此時再進行統(tǒng)一的字符編碼也就不會出現(xiàn)亂碼了。最終爬取的所有網頁無論何種編碼格式，都轉化為utf-8格式進行存儲。
注意：區(qū)分源網編碼A-gbk、程序直接使用的編碼B-ISO-8859-1、統(tǒng)一轉換字符的編碼C-utf-8。
在此，我們拓展講講unicode、ISO-8859-1、gbk2312、gbk、utf-8等之間的區(qū)別聯(lián)系，大概如下：
最早的編碼是iso8859-1，和ascii編碼相似。但為了方便表示各種各樣的語言，逐漸出現(xiàn)了很多標準編碼。iso8859-1屬于單字節(jié)編碼，最多能表示的字符范圍是0-255，應用于英文系列。很明顯，iso8859-1編碼表示的字符范圍很窄，無法表示中文字符。
1981年中國人民通過對 ASCII 編碼的中文擴充改造，產生了 GB2312 編碼，可以表示6000多個常用漢字。但漢字實在是太多了，包括繁體和各種字符，于是產生了 GBK 編碼，它包括了 GB2312 中的編碼，同時擴充了很多。中國又是個多民族國家，各個民族幾乎都有自己獨立的語言系統(tǒng)，為了表示那些字符，繼續(xù)把 GBK 編碼擴充為 GB18030 編碼。每個國家都像中國一樣，把自己的語言編碼，于是出現(xiàn)了各種各樣的編碼，如果你不安裝相應的編碼，就無法解釋相應編碼想表達的內容。終于，有個叫 ISO 的組織看不下去了。他們一起創(chuàng)造了一種編碼 UNICODE ，這種編碼非常大，大到可以容納世界上任何一個文字和標志。所以只要電腦上有 UNICODE 這種編碼系統(tǒng)，無論是全球哪種文字，只需要保存文件的時候，保存成 UNICODE 編碼就可以被其他電腦正常解釋。UNICODE 在網絡傳輸中，出現(xiàn)了兩個標準 UTF-8 和 UTF-16，分別每次傳輸 8個位和 16個位。于是就會有人產生疑問，UTF-8 既然能保存那么多文字、符號，為什么國內還有這么多使用 GBK 等編碼的人?因為 UTF-8 等編碼體積比較大，占電腦空間比較多，如果面向的使用人群絕大部分都是中國人，用 GBK 等編碼也可以。
也可以這樣來理解：字符串是由字符構成，字符在計算機硬件中通過二進制形式存儲，這種二進制形式就是編碼。如果直接使用 “字符串??字符??二進制表示(編碼)” ，會增加不同類型編碼之間轉換的復雜性。所以引入了一個抽象層，“字符串??字符??與存儲無關的表示??二進制表示(編碼)” ，這樣，可以用一種與存儲無關的形式表示字符，不同的編碼之間轉換時可以先轉換到這個抽象層，然后再轉換為其他編碼形式。在這里，unicode 就是 “與存儲無關的表示”，utf—8 就是 “二進制表示”。
三、亂碼的解決方法
根據(jù)原因來找解決方法，就非常簡單了。
方法一：直接指定res.encoding
- import requests
- url = "http://search.51job.com"
- res = requests.get(url)
- res.encoding = "gbk"
- html = res.text
- print(html)
方法二：通過res.apparent_encoding屬性指定
- import requests
- url = "http://search.51job.com"
- res = requests.get(url)
- res.encoding = res.apparent_encoding
- html = res.text
- print(html)
方法三：通過編碼、解碼的方式
- import requests
- url = "http://search.51job.com"
- res = requests.get(url)
- html = res.text.encode('iso-8859-1').decode('gbk')
- print(html)
輸出結果：
基本思路三步走：確定源網頁的編碼A---gbk、程序通過編碼B---ISO-8859-1對源網頁數(shù)據(jù)還原、統(tǒng)一轉換字符的編碼C-utf-8。至于為啥為出現(xiàn)統(tǒng)一轉碼這一步呢? 網絡爬蟲系統(tǒng)數(shù)據(jù)來源很多，不可能使用數(shù)據(jù)時，再轉化為其原始的數(shù)據(jù)，假使這樣做是很廢事的。所以一般的爬蟲系統(tǒng)都要對抓取下來的結果進行統(tǒng)一編碼，從而在使用時做到一致對外，方便使用。
比如如果我們想講網頁數(shù)據(jù)保存下來，則會將起轉為utf-8，代碼如下：
- with open("a.txt",'w',encoding='utf-8') as f:
- f.write(html)
四、總結
關于網絡爬蟲亂碼問題，本文不僅給出了一個解決方案，還深入到其中的原理，由此問題引申出很多有意思的問題，如，utf-8、gbk、gb2312的編碼方式怎樣的?為什么這樣轉化就可以解決問題?
文章名稱：深入淺出理解Python“亂碼”問題
鏈接分享：http://www.5511xx.com/article/dphdspj.html
