美文网首页Python及网络爬虫
[转载]Python HTTP库requests中文页面乱码解决

[转载]Python HTTP库requests中文页面乱码解决

作者: dopami | 来源:发表于2018-02-07 16:17 被阅读4次

    Python中文乱码,是一个很大的坑,自己不知道在这里遇到多少问题了。还好通过自己不断的总结,现在遇到乱码的情况越来越少,就算出现,一般也能快速解决问题。这个问题,我七月就解决了,今天总结出来,和朋友一起分享。

    最近写过好几个爬虫,熟悉了下Python

    requests库的用法,这个库真的Python的官方api接口好用多了。美中不足的是:这个库好像对中文的支持不是很友好,有些页面会出现乱码,然后换成urllib后,问题就没有了。由于requests库最终使用的是urllib3作为底层传输适配器,requests只是把urllib3库读取的原始进行人性化的处理,所以问题requests库本身上!于是决定阅读库源码,解决该中文乱码问题;一方面,也是希望加强自己对HTTP协议、Python的理解。

    先是按照api接口,一行行阅读代码,尝试了解问题出在哪里!真个过程进展比较慢,我大概花了5天左右的时间,通读了该库的源代码。阅读代码过程中,有不懂的地方,就自己打印日志信息,以帮助理解。

    最后我是这样发现问题所在的!

    >>> req = requests.get('http://www.jd.com')>>> req>>> print req.text[:100]FILE: /usr/lib/python2.7/dist-packages/requests/models.pyc, LINE: 770 <==> ISO-8859-1FILE: /usr/lib/python2.7/dist-packages/requests/models.pyc, LINE: 781 <==> ISO-8859-1¾©¶«(JD.COM)-×ÛºÏÍø¹ºÊ×Ñ¡-ÕýÆ·µÍ¼Û¡¢Æ·ÖÊ

    # 这里出现了乱码

    >>> dir(req)

    ['__attrs__', '__bool__', '__class__', '__delattr__', '__dict__', '__doc__', '__format__', '__getattribute__', '__getstate__', '__hash__', '__init__', '__iter__', '__module__', '__new__', '__nonzero__', '__reduce__', '__reduce_ex__', '__repr__', '__setattr__', '__setstate__', '__sizeof__', '__str__', '__subclasshook__', '__weakref__', '_content', '_content_consumed', 'apparent_encoding', 'close', 'connection', 'content', 'cookies', 'elapsed', 'encoding', 'headers', 'history', 'is_redirect', 'iter_content', 'iter_lines', 'json', 'links', 'ok', 'raise_for_status', 'raw', 'reason', 'request', 'status_code', 'text', 'url']

    req有content属性,还有text属性,我们看看content属性:

    >>> print req.content[:100]¾©¶«(JD.COM)-؛ºЍ닗ѡ-ֽƷµͼۡ¢Ʒ׊

    >>>

    >>>

    >>> print req.content.decode('gbk')[:100]京东(JD.COM)-综合网购首选-正品低价、品质保障、配送及时、轻松购物!</

    ## 由于该页面时gbk编码的,而Linux是utf-8编码,所以打印肯定是乱码,我们先进行解码。就能正确显示了。

    可是,text属性,按照此种方式,并不可行!

    >>> print req.text[:100]FILE: /usr/lib/python2.7/dist-packages/requests/models.pyc, LINE: 770 <==> ISO-8859-1FILE: /usr/lib/python2.7/dist-packages/requests/models.pyc, LINE: 781 <==> ISO-8859-1¾©¶«(JD.COM)-×ÛºÏÍø¹ºÊ×Ñ¡-ÕýÆ·µÍ¼Û¡¢Æ·ÖÊ

    >>> print req.text.decode('gbk')[:100]

    FILE: /usr/lib/python2.7/dist-packages/requests/models.pyc,  LINE: 770 <==> ISO-8859-1

    FILE: /usr/lib/python2.7/dist-packages/requests/models.pyc,  LINE: 781 <==> ISO-8859-1

    Traceback (most recent call last):

      File "", line 1, in

    UnicodeEncodeError: 'ascii' codec can't encode characters in position 60-63: ordinal not in range(128)

    #  对text属性进行解码,就会出现错误。

    让我们来看看,这两个属性的源码:

    # /requests/models.py

    @property

    def content(self):

        """Content of the response, in bytes."""

        if self._content is False:

            # Read the contents.

            try:

                if self._content_consumed:

                    raise RuntimeError(

                        'The content for this response was already consumed')

                if self.status_code == 0:

                    self._content = None

                else:

                    self._content = bytes().join(self.iter_content(CONTENT_CHUNK_SIZE)) or bytes()

            except AttributeError:

                self._content = None

        self._content_consumed = True

        # don't need to release the connection; that's been handled by urllib3

        # since we exhausted the data.

        return self._content

    # requests/models.py

    @property

    def text(self):

        """Content of the response, in unicode.

        If Response.encoding is None, encoding will be guessed using

        ``chardet``.

        The encoding of the response content is determined based solely on HTTP

        headers, following RFC 2616 to the letter. If you can take advantage of

        non-HTTP knowledge to make a better guess at the encoding, you should

        set ``r.encoding`` appropriately before accessing this property.

        """

        # 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):

            # A LookupError is raised if the encoding was not found which could

            # indicate a misspelling or similar mistake.

            #

            # A TypeError can be raised if encoding is None

            #

            # So we try blindly encoding.

            content = str(self.content, errors='replace')

        return content

    看看注和源码知道,content是urllib3读取回来的原始字节码,而text不过是尝试对content通过编码方式解码为unicode。jd.com 页面为gbk编码,问题就出在这里。

    >>> req.apparent_encoding;req.encoding'GB2312'

    'ISO-8859-1'

    这里的两种编码方式和页面编码方式不一致,而content却还尝试用错误的编码方式进行解码。肯定会出现问题!

    我们来看看,req的两种编码方式是怎么获取的:

    # rquests/models.py

    @property

    def apparent_encoding(self):

        """The apparent encoding, provided by the chardet library"""

    returnchardet.detect(self.content)['encoding']

    顺便说一下:chardet库监测编码不一定是完全对的,只有一定的可信度。比如jd.com页面,编码是gbk,但是检测出来却是GB2312,虽然这两种编码是兼容的,但是用GB2312区解码gbk编码的网页字节串是会有运行时错误的!

    获取encoding的代码在这里:

    # requests/adapters.pydef build_response(self, req, resp): """Builds a :class:`Response` object from a urllib3 response. This should not be called from user code, and is only exposed for use when subclassing the :class:`HTTPAdapter` :param req: The :class:`PreparedRequest` used to generate the response.

        :param resp: The urllib3 response object.

        """

        response = Response()

        # Fallback to None if there's no status_code, for whatever reason.

        response.status_code = getattr(resp, 'status', None)

        # Make headers case-insensitive.

        response.headers = CaseInsensitiveDict(getattr(resp, 'headers', {}))

        # Set encoding.

        response.encoding = get_encoding_from_headers(response.headers)

        # .......

    通过get_encoding_from_headers(response.headers)函数获取编码,我们再来看看这个函数!

    # requests/utils.py

    def get_encoding_from_headers(headers):

        """Returns encodings from given HTTP Header Dict.

        :param headers: dictionary to extract encoding from.

        """

        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'

    发现了吗?程序只通过http响应首部获取编码,假如响应中,没有指定charset, 那么直接返回'ISO-8859-1'。

    我们尝试进行抓包,看看http响应内容是什么:

    可以看到,reqponse header只指定了type,但是没有指定编码(一般现在页面编码都直接在html页面中)。所有该函数就直接返回'ISO-8859-1'。

    可能大家会问:作者为什么要默认这样处理呢?这是一个bug吗?其实,作者是严格http协议标准写这个库的,《HTTP权威指南》里第16章国际化里提到,如果HTTP响应中Content-Type字段没有指定charset,则默认页面是'ISO-8859-1'编码。这处理英文页面当然没有问题,但是中文页面,就会有乱码了!

    解决方案:

    找到了问题所在,我们现在有两种方式解决该问题。

    1. 修改get_encoding_from_headers函数,通过正则匹配,来检测页面编码。由于现在的页面都在HTML代码中指定了charset,所以通过正则式匹配的编码方式是完全正确的。

    2. 由于content是HTTP相应的原始字节串,所以我们需要直接可以通过使用它。把content按照页面编码方式解码为unicode!

    相关文章

      网友评论

        本文标题:[转载]Python HTTP库requests中文页面乱码解决

        本文链接:https://www.haomeiwen.com/subject/yehazxtx.html