Python3的requests类抓取中文页面出现乱码的解决办法

今天一个朋友用Requests抓取一个中文gb2312编码的页面时,整个页面的中文都乱码了 Python3的requests类抓取中文页面出现乱码的解决办法
文章图片
1.0 这种乱码现象基本上都是编码造成的,我们要转到我们想要的编码,先po一个知识点,嵩天老师在Python网络爬虫与信息提取说到过的:response.encoding是指从HTTP的header中猜测的响应内容编码方式,如果header中不存在charset,则默认编码为ISO-8859-1 ,这样一来某些不规范的服务器返回就必然乱码了;response.apparent_encoding是指从内容中分析出的响应内容编码方式。requests内部的 utils 也提供了一个从返回 body 获取页面编码的函数get_encodings_from_content,这样如果服务器返回的头不含 Charset,再通过 get_encodings_from_content 就可以知道页面的正确编码了。下面是调试的过程:

import requests from requests.exceptions import RequestExceptiondef get_one_page(url): try: response=requests.get(url) if response.status_code == 200: #print(response.text) print(response.encoding) print(response.apparent_encoding) r=response.text print(requests.utils.get_encodings_from_content(r)[0]) a=r.encode('ISO-8859-1').decode(requests.utils.get_encodings_from_content(r)[0]) print(a) print('------------------------------------') b = r.encode('ISO-8859-1').decode(response.apparent_encoding) print(b) return None except RequestException: return Nonedef main(): url = 'http://www.mh160.com/' get_one_page(url)if __name__=='__main__': main()

看图!看图!看图! Python3的requests类抓取中文页面出现乱码的解决办法
文章图片
2.0

    推荐阅读