再也不用担心网页编码的坑了！

背景

大家爬取网页的时候，应该都遇到过这种情况

当我打印网页源代码的时候

发现 全部是乱码的

image

那这个时候应该怎么办呢？

requests是如何判断编码

首先，response.content返回的内容 是二进制内容

response.text 则是根据设置的encoding来解码

# Try charset from content-type  
content = None  
encoding = self.encoding  
  
if not self.content:  
  return str('')  
  
# Fallback to auto-detected encoding.  
if self.encoding is None:  
    encoding = self.apparent_encoding  
  
# Decode unicode from given encoding.  
try:  
    content = str(self.content, encoding, errors='replace')  
except (LookupError, TypeError):

我们可以看到 ，当encoding为None的时候，

编码是通过chardet.detect来获取的,

def apparent_encoding(self):  
"""The apparent encoding, provided by the chardet library."""  
    return chardet.detect(self.content)['encoding']

那么chardet.detect 又是干嘛的呢？

简单的讲，就是根据给定的字节，来返回他的编码

至于他是如何实现的，欢迎去看源代码。。。

上面说到了当encoding为None的时候,requests是如何设置encoding的

那么encoding 默认编码是啥呢？继续查看源代码

我们在adapters.py 里面找到了~

response.encoding = get_encoding_from_headers(response.headers)

def get_encoding_from_headers(headers):  
"""Returns encodings from given HTTP Header Dict.  
    :param headers: dictionary to extract encoding from.  
    :rtype: str  
    """  
    content_type = headers.get('content-type')  
  
if not content_type:  
  return None  
content_type, params = cgi.parse_header(content_type)  

if 'charset' in params:  
  return params['charset'].strip("'\"")  
  
if 'text' in content_type:  
  return 'ISO-8859-1'

简单讲就是 如何返回头里面没有content_type，则encoding为None

如果charset在参数里面的话，则使用charset设置的值（看下图，github返回的）

image
如果text在参数里面的话，则使用ISO-8859-1

然后你打印下 你乱码网页的encoding，发现，还真是ISO-8859-1

image

你会很奇怪，为啥当content-type为text/html的时候，编码为iso-8859-1呢？

image

现在常见的编码不是utf8么，requests怎么这么傻*呢...

然后发现是rfc2016的规定。。。

rfc2016的链接在 https://www.ietf.org/rfc/rfc2616.txt

感兴趣的同学可以自行查阅...

image

最后总结

当返回头没有content_type 的时候，encoding使用chardet.detect 猜测出来的编码（一般都是很准的）

当返回头里面有content_type 的时候，如果有charset=xxx，则encoding的编码为chatset的值。如果只是text/html,则编码为ISO-8859-1

那么当你发现response.text返回乱码的时候，怎么办呢。。。

只要先设置编码为None...

再打印.text就可以了..

response.encoding = None  
response.text

本来呢，本篇文章到此结束了。。。但是呢。。。

科普个小知识

有几种方法可以知道网页的编码呢？

1. 我们上面讲过的 response.headers中的content_type
2. 通过chardet.detect猜测出来（上面讲过的）
3. 网页源代码中的 meta（且有charset的值）如下面的，则表示网页编码为gb2312（不过呢，有时候并不是很准，这个是前端瞎xx写的，这时候就可以用chardet.detect来猜测了...）

方法3的代码如何写呢（如下）

def get_encodings_from_content(content):  
"""Returns encodings from given content string.  
    :param content: bytestring to extract encodings from.  
    """  
    warnings.warn((  
'In requests 3.0, get_encodings_from_content will be removed. For '  
        'more information, please see the discussion on issue #2266. (This'  
        ' warning should only appear once.)'),  
        DeprecationWarning)  
  
    charset_re = re.compile(r'<meta.*?charset=["\']*(.+?)["\'>]', flags=re.I)  
    pragma_re = re.compile(r'<meta.*?content=["\']*;?charset=(.+?)["\'>]', flags=re.I)  
    xml_re = re.compile(r'^<\?xml.*?encoding=["\']*(.+?)["\'>]')  
  
    return (charset_re.findall(content) +  
            pragma_re.findall(content) +  
            xml_re.findall(content))

你会看到requests3.0版本的时候，这个方法会去掉，这又是为什么呢。。。

截图自己看把，地址在https://github.com/requests/requests/issues/2266

image

如果还有猜测编码的方法，欢迎留言

完...