[python]乱码：python抓取脚本

参考：

http://www.zhxl.me/1409.html

使用 python urllib2 抓取网页时出现乱码的解决方案
发表回复
这里记录的是一个门外汉解决使用 urllib2 抓取网页时遇到乱码、崩溃、求助、解决和涨经验的过程。这类问题，事后看来只是个极小极小的坑，不过竟然花去很多时间，也值得记录一下。过程如下：
目标：

抓取 http://sports.sina.com.cn/g/premierleague/index.shtml
代码：

1
2
3
4
5
6
# coding: u8
import urllib2
url = "http://sports.sina.com.cn/g/premierleague/index.shtml"
response = urllib2.urlopen(url)
html = response.read()
print html
输出：

w?83′?L/J
.uV?[w5;:S煝{7l!Zp8‘-y?=ePUs?;__Zj
::]K?
eY?kV%IBUVY”*’)?S.
JT>”TTZk+!x*)ld2I,kUU?/kXjjkHI U0n2}jUS?”>!pj^[?g‘o^=Nq?7n|57yy‘\ul
j=9T,g/t0?7‘^o|v}>8=7?!tp??gFS?zd~`MuC%U2\ f?Vq?7~2~?lE=}M}Xwo}us‘>?*zpS:7O?~чb=
HK!s?inQR}@TsY|,#b\d+#[email protected]
?[((tGP,A$O/EXP)oNgA\`Z
4
eL7?Vn+
?eR fT`&W?bV
f{
[email protected][email protected][Ib_?CZ‘!4O1C,?hy b0W(?Z?V5-?X)5{EkvXÝN (PPUCk?? j(
V3{Z!LOOP+LP%WPL!\=! @XD8?jpT,W+#we~? {[email protected]_Y+ijp;^,=(h :NxH|Ar]-|Bkq<
?+}.?lt.)[email protected]&6dógsR^=/[email protected]#m} uZh.V80_)$.1W
hS*zQJÑ|?{nIPa±a#?L<SA
%^yg2*\fxJhQh_FBK(c%cBKwaHeRB 8w6<?K @.k*[k|^_¹BV;,pu]24Y
Bw?Cm3`>5#FzFG-%?
W0A{T?#[email protected]?*:*6?t&[email protected]%c?h|?y$HhGv3s$(Y)[email protected](.tk?6K(E;Op1?:
D6wО?fO&zqZ3Z>0MC{?i#.
tP?u-u-t38X Wt2h!.>9;TVKrj_$yABZ?6.?I\yK:￢
s#lhsxzb=INse/FUad4H3lnHo0T^”j*]yfrMY!?-#I(YVaΡ@[email protected]@(GX)I-Z$lNX,vg^~cE
/虬&jz=АUdY__\FGA} …
首先想到编码问题，参考了《也谈Python的中文编码处理》一文 ，感觉基本明白怎么回事儿了，按理说

1
isinstance(html, str) == True
并且页面的编码确定为 GBK，那么

1
html.decode(‘gbk‘).encode(‘utf-8‘)
就可以将机器码以 gbk 解码，再重新以 utf-8 编码，就可以得到正确的文本。可是收到这样的提示：

UnicodeDecodeError: ‘gbk’ codec can’t decode bytes in position 1-2: illegal multibyte sequence
经过在 v2ex 求助，以及反复折腾了一下发现得到的果然是 gzip 过的乱码，于是尝试通过 zlib 解压缩

1
2
import zlib
html = zlib.decompress(html)
可是却得到下面的错误

zlib.error: Error -3 while decompressing data: incorrect header check
无奈，只得用 gzip 库和 StringIO 库绕路解决

1
2
3
import gzip, StringIO
html = gzip.GzipFile(fileobj=StringIO.StringIO(html), mode="r")
html = html.read().decode(‘gbk‘).encode(‘utf-8’)
终于得到了正确的内容和正确的编码~ ^^

问题到这里就解决了，可是对于不能直接使用简洁的 zlib 库表示很不甘心，毕竟根据 python 的文档 gzip 库也是调用 zlib 来解压的，为什么不直接用 zlib 呢？功夫不负有心人，最后终于在 StackOverflow 上找到了答案。于是最终代码如下：

1
2
3
4
5
6
7
8
request = urllib2.Request(url)
request.add_header(‘Accept-encoding‘, ‘gzip‘)
opener = urllib2.build_opener()
response = opener.open(request)html = response.read()
gzipped = response.headers.get(‘Content-Encoding‘)
if gzipped:
    html = zlib.decompress(html, 16+zlib.MAX_WBITS)
print html
代码里在 request header 中默认加入了接受 gzip，服务器会优先返回 gzip 后的页面，这样极大减少数据流的大小，绝大多数服务器都是支持 gzip 的。之后对于意外情况，也加入了对 response header 的判断，对于不包含“Content-Encoding”的数据流就不会去对其解压缩。这样看上去妥妥的了，但其实还是会有很多意外状况，超出这篇的范围，这里就不涉及了。

后记，后来才知道这是一个很常见的坑，出于对防止抓取的考虑，部分网站采取了各种措施。例如：对于没有指定 Accept-Encoding 的请求也会返回 gzip 过的内容；会验证 Request Header 的 User-Agent 和 Referer 甚至 cookies 之类的。对于抓取感兴趣的可以继续阅读《用Python抓取网页的注意事项》，网页抓取虽然是个很成熟的领域，但门外汉面临诸多未知的挑战，唯有多读多做多积累才好。