Python - 爬虫中文乱码之请求头 Accept-Encoding

系统 1627 0
原文链接: https://www.jianshu.com/p/70c3994efcd8?utm_source=oschina-app

当用 Python3 做爬虫的时候,一些网站为了防爬虫会设置一些检查机制,这时我们就需要添加请求头,伪装成浏览器正常访问。

header的内容在浏览器的开发者工具中便可看到,将这些信息添加到我们的爬虫代码中即可。

Accept-Encoding:是浏览器发给服务器,声明浏览器支持的编码类型。一般有 gzip,deflate,br 等等。

Python3中的 requests 包中 response.text 和 response.content:

response.content # 字节方式的响应体,会自动为你解码 gzip 和 deflate 压缩 类型:bytes
reponse.text # 字符串方式的响应体,会自动根据响应头部的字符编码进行解码。类型:str

但是这里是默认是不支持解码 br 的!

br 指的是 Brotli,是一种全新的数据格式,无损压缩,压缩比极高(比gzip高的)。

Brotli 介绍:https://www.cnblogs.com/Leo_wl/p/9170390.html

Brotli 优势:https://www.cnblogs.com/upyun/p/7871959.html

Ps:这个不是本文的重点,重点是 Python3 爬虫是如何解决中文乱码问题。

 

第一种

将 ‘Accept-Encoding’ 中的:br 去除。这样接受的网页页面就是没有压缩的或者是默认可解析的了。但是我认为这样不好,人家搞出这么牛逼的算法还是要用一下的。

 

第二种

将使用 br 压缩的页面解析。Python3 中要导入 brotli 包 这个要自己安装(这里就不介绍了,百度一堆)。

            
              from bs4 import BeautifulSoup
import requests
import brotli
from requests.exceptions import RequestException


def get_one_page(city, keyword, page):
   '''
   获取网页html内容并返回
   '''
   paras = {
       'jl': city,         # 搜索城市
       'kw': keyword,      # 搜索关键词
       'isadv': 0,         # 是否打开更详细搜索选项
       'isfilter': 1,      # 是否对结果过滤
       'p': page,          # 页数
       # 're': region        # region的缩写,地区,2005代表海淀
   }

   headers = {
       'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36 SE 2.X MetaSr 1.0',
       'Host': 'sou.zhaopin.com',
       'Referer': 'https://www.zhaopin.com/',
       'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
       'Accept-Encoding': 'gizp,defale',
       'Accept-Language': 'zh-CN,zh;q=0.9'
   }
   import chardet
   url = 'https://sou.zhaopin.com/jobs/searchresult.ashx?jl={}&kw={}&sm=0&p={}'.format(paras['jl'],paras['kw'],paras['p'])
   try:
       # 获取网页内容,返回html数据
       response = requests.get(url, headers=headers)
       # 通过状态码判断是否获取成功
       if response.status_code == 200:
           #response.encoding = 'utf-8'
           print(response.headers)
           print(response.encoding)
           key = 'Content-Encoding'
           # print(response.headers[key])
           print("-----------")
           if(key in response.headers and response.headers['Content-Encoding'] == 'br'):
               data = brotli.decompress(response.content)
               data1 = data.decode('utf-8')
               print(data1)
               return data1
           print(response.text)
           return response.text
       return None
   except RequestException as e:
       return None

def main(city, keyword, pages):

    for i in range(pages):
        html = get_one_page(city, keyword, i)


if __name__ == '__main__':
   main('北京', 'python', 1)
            
          

部分结果:

            
              {'Server': 'openresty', 'Date': 'Sun, 19 Aug 2018 13:15:46 GMT', 'Content-Type': 'text/html; charset=utf-8', 'Content-Length': '361146', 'Connection': 'keep-alive', 'Vary': 'Accept-Encoding, Accept-Encoding', 'zp-trace-id': '8437455ebb5342a59f8af78ddaab1985', 'Set-Cookie': 'ZP-ENV-FLAG=gray'}
utf-8
-----------




              
              
              
                北京python招聘(求职)python招聘(求职)尽在智联招聘
              
              
              
              
              
              
              
            
          

这是没有加 br 在请求的头里的,下面改一下 Accept-Encoding 添加 br。

            
              ...同上

'Accept-Encoding': 'br,gizp,defale'

...同上
            
          

部分结果:

            
              {'Server': 'openresty', 'Date': 'Sun, 19 Aug 2018 13:19:02 GMT', 'Content-Type': 'text/html; charset=utf-8', 'Transfer-Encoding': 'chunked', 'Connection': 'keep-alive', 'Vary': 'Accept-Encoding', 'zp-trace-id': '842e66a58bb2464296121c9de59a9965', 'Content-Encoding': 'br', 'Set-Cookie': 'ZP-ENV-FLAG=gray'}
utf-8
-----------




              
              
              
                北京python招聘(求职)python招聘(求职)尽在智联招聘
              
              
              
              
              
            
          

当网站使用了 br 压缩的话,他会告诉我们的,就是 ‘Content-Encoding’ 的值。重点是:

            
              key = 'Content-Encoding'
if(key in response.headers and response.headers['Content-Encoding'] == 'br'):
    data = brotli.decompress(response.content)
    data1 = data.decode('utf-8')
    print(data1)
            
          

好的,这就解决了!

Ps:不得不说网上对于 brotli 的中文介绍并不算太多,包括对 Java 爬虫的支持教程也很少。


更多文章、技术交流、商务合作、联系博主

微信扫码或搜索:z360901061

微信扫一扫加我为好友

QQ号联系: 360901061

您的支持是博主写作最大的动力,如果您喜欢我的文章,感觉我的文章对您有帮助,请用微信扫描下面二维码支持博主2元、5元、10元、20元等您想捐的金额吧,狠狠点击下面给点支持吧,站长非常感激您!手机微信长按不能支付解决办法:请将微信支付二维码保存到相册,切换到微信,然后点击微信右上角扫一扫功能,选择支付二维码完成支付。

【本文对您有帮助就好】

您的支持是博主写作最大的动力,如果您喜欢我的文章,感觉我的文章对您有帮助,请用微信扫描上面二维码支持博主2元、5元、10元、自定义金额等您想捐的金额吧,站长会非常 感谢您的哦!!!

发表我的评论
最新评论 总共0条评论