Python requests庫中文亂碼問題

當使用requests庫的時候，會出現中文亂碼的情況

參考代碼分析Python requests庫中文編碼問題

      Python HTTP庫requests中文頁面亂碼解決方案！

分析

根據這兩篇文章可知：

    分析requests的源代碼發現，text返回的是處理過的Unicode型的數據，而使用content返回的是bytes型的原始數據。也就是說，r.content相對於r.text來說節省了計算資源，content是把內容bytes返回. 而text是decode成Unicode. 如果headers沒有charset字符集的化,text()會調用chardet來計算字符集，這又是消耗cpu的事情.

import requests

response = requests.get('http://www.dytt8.net/index.htm')
print(response.text[200:300])

這里測試使用電影天堂的網頁，因為網頁不太標准

輸出為

　　

輸出了亂碼

response.encoding

從第二篇文章可以知道reqponse header只指定了type，但是沒有指定編碼(一般現在頁面編碼都直接在html頁面中)，查找原網頁可以看到

再找一個標准點的網頁查看，比如博客園的網頁博客園

response herders的Content-Type指定了編碼類型

《HTTP權威指南》里第16章國際化里提到，如果HTTP響應中Content-Type字段沒有指定charset，則默認頁面是'ISO-8859-1'編碼。這處理英文頁面當然沒有問題，但是中文頁面，就會有亂碼了！

解決

如果在確定使用text，並已經得知該站的字符集編碼時，可以使用 r.encoding = ‘xxx’ 模式， 當你指定編碼后，requests在text時會根據你設定的字符集編碼進行轉換. 

使用apparent_encoding可以獲得真實編碼

>>> response.apparent_encoding
'GB2312'

這是程序自己分析的，會比較慢

還可以從html的meta中抽取

>>> requests.utils.get_encodings_from_content(response.text)
['gb2312']

解決方法

# response.encoding = response.apparent_encoding
response.encoding = 'gb2312'

這時候的輸出為

　　

　　

　　

 

 

Python HTTP庫requests中文頁面亂碼解決方案！