【真相揭秘】requests獲取網頁編碼亂碼本質

• 2020 年 5 月 28 日
• 筆記

有沒有被網頁編碼抓狂，怎麼轉都是亂碼。

通過查看requests源程式碼，才發現是庫本身歷史原因造成的。

作者是嚴格http協議標準寫這個庫的，《HTTP權威指南》里第16章國際化里提到，如果HTTP響應中Content-Type欄位沒有指定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，特別是那些不規範的頁面，就會有亂碼了！

比如分析jd.com 頁面為gbk編碼，問題就出在這裡。

chardet庫監測編碼卻是GB2312，兩種編碼雖然兼容的，但用GB2312解碼gbk編碼的網頁位元組串會運行錯誤！

 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)。所有該函數就直接返回’ISO-8859-1’。

# test1


In [1]: r = requests.get('//www.baidu.com/')

In [2]: r.encoding
Out[2]: 'ISO-8859-1'

In [3]: type(r.text)
Out[3]: unicode

In [4]: type(r.content)
Out[4]: str

In [5]: r.apparent_encoding
Out[5]: 'utf-8'

In [6]: chardet.detect(r.content)
Out[6]: {'confidence': 0.99, 'encoding': 'utf-8'}

在requests獲取網頁的編碼格式時，有兩種方式encoding和apparent_encoding，結果也不同，

推薦apparent_encoding，常規寫法

url='xxx'
req =requests.get(url)
req.encoding=req.apparent_encoding
print(req.text)

總之一句話，遇到亂碼加上apparent_encoding就完事了。

參考

//www.cnblogs.com/emmm/p/9792832.html

//www.cnblogs.com/bitpeng/p/4748872.html