整合營銷服務商
電腦端+手機端+微信端=數(shù)據(jù)同步管理
免費咨詢熱線：
電腦端+手機端+微信端=數(shù)據(jù)同步管理
免費咨詢熱線：
者 | 丁彥軍
責編 | 仲培藝
近日，有位粉絲向我請教，在爬取某網(wǎng)站時，網(wǎng)頁的源代碼出現(xiàn)了中文亂碼問題，本文就將與大家一起總結(jié)下關(guān)于網(wǎng)絡(luò)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。
亂碼問題的出現(xiàn)
就以爬取 51job 網(wǎng)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(jié)果：
打印 res.text 時，發(fā)現(xiàn)了什么？中文亂碼！！！不過發(fā)現(xiàn)，網(wǎng)頁的字符集類型采用的是 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(wǎng)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(jié)果為：
可以發(fā)現(xiàn) Requests 推測的文本編碼（也就是網(wǎng)頁返回即爬取下來后的編碼轉(zhuǎn)換）與源網(wǎng)頁編碼不一致，由此可知其正是導致亂碼原因。
亂碼背后的奧秘
當源網(wǎng)頁編碼和爬取下來后的編碼轉(zhuǎn)換不一致時，如源網(wǎng)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(wǎng)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(wǎng)頁無論何種編碼格式，都轉(zhuǎn)化為 UTF-8 格式進行存儲。
注意：區(qū)分源網(wǎng)編碼 A-GBK、程序直接使用的編碼 B-ISO-8859-1、統(tǒng)一轉(zhuǎn)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(chǎn)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(chǎn)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(nèi)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(wǎng)絡(luò)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(chǎn)生疑問，UTF-8 既然能保存那么多文字、符號，為什么國內(nèi)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(gòu)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(zhuǎn)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(guān)的表示??二進制表示（編碼）” ，這樣，可以用一種與存儲無關(guān)的形式表示字符，不同的編碼之間轉(zhuǎn)換時可以先轉(zhuǎn)換到這個抽象層，然后再轉(zhuǎn)換為其他編碼形式。在這里，Unicode 就是 “與存儲無關(guān)的表示”，UTF-8 就是 “二進制表示”。
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(jié)果：
基本思路三步走：確定源網(wǎng)頁的編碼 A---GBK、程序通過編碼 B---ISO-8859-1 對源網(wǎng)頁數(shù)據(jù)還原、統(tǒng)一轉(zhuǎn)換字符的編碼 C-UTF-8。至于為啥出現(xiàn)統(tǒng)一轉(zhuǎn)碼這一步呢？ 網(wǎng)絡(luò)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(zhuǎn)化為其原始的數(shù)據(jù)，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(jié)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(wǎng)頁數(shù)據(jù)保存下來，則會將起轉(zhuǎn)為 UTF-8，代碼如下：
with open("a.txt",'w',encoding='utf-8') as f:
f.write(html)
總結(jié)
關(guān)于網(wǎng)絡(luò)爬蟲亂碼問題，這里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(zhuǎn)化就可以解決問題？
最后，多動腦，多思考，多總結(jié)，致每一位碼農(nóng)！
本文為作者投稿，版權(quán)歸其所有。
幾天保存了網(wǎng)絡(luò)上的一個頁面，瀏覽器打開后，發(fā)現(xiàn)是亂碼。如下圖：
亂碼網(wǎng)頁
出現(xiàn)這個問題怎么處理呢？下面幫你解決
頁面html源碼
查看html，看到這里用了國標標準，看源碼截圖
<meta http-equiv="Content-Type" content="text/html; charset=gb2312" />
解決方法：
把gb2312改成utf-8即可
修改為utf-8
修改后的結(jié)果，如圖：
修改后的展示
utf-8 這個是國際通用字庫，支持各種不同的語言
gb3212這個是中國的字庫，支持簡體中文和少數(shù)外語+一些符號，文件資源少一點
區(qū)別：utf-8跨平臺兼容性更好，由于它字庫更全所以加載會慢好多
charset屬性是定義HTML文檔的字符編碼格式。
常見的字符編碼有：Unicode、utf-8、gbk、gb2312
其中：
gbk是國家標準的擴展版（增加了繁體并包含所有亞洲字符集）
Unicode是國際組織制定的旨在容納全球所有字符的編碼方案，包括字符集、編碼方案等。又稱為萬國碼、統(tǒng)一碼、單一碼
天第一次看HTML5的書籍，嘗試使用記事本編寫第一個網(wǎng)頁，不料，打開網(wǎng)頁后，竟然是亂碼狀態(tài)，愁煞吾也，這個問題怎么破呢？經(jīng)查相關(guān)資料，是因為記事本默認存儲的編碼格式與html中的編碼格式不一致導致的.....
情況具體是這樣的：
第一步是將寫好的內(nèi)容的記事本的后綴“TXT”改成了HTML
打開網(wǎng)頁之后是這樣的：亂碼
查閱資料后，解決方法是這樣的：
在網(wǎng)頁空白處點擊右鍵，找到編碼點擊，選擇UTF-8，問題就解決了。
還有一種方法就是，使用記事本另存為修改后綴名為HTML，編碼處選擇UTF-8，就不會出現(xiàn)亂碼現(xiàn)象了。
*請認真填寫需求信息，我們會在24小時內(nèi)與您取得聯(lián)系。
