Python requests包get响应内容中文乱码解决方案

本文深入解析了Python的Requests库在处理网页编码时的工作原理。详细介绍了如何通过content和text属性获取网页数据,以及如何正确设置编码以避免乱码问题。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

Requests源码包解析原理

分析requests的源代码发现,text返回的是处理过的Unicode型的数据,而使用content返回的是bytes型的原始数据。也就是说,r.content相对于r.text来说节省了计算资源,content是把内容bytes返回. 而text是decode成Unicode. 如果headers没有charset字符集的化,text()会调用chardet来计算字符集,这又是消耗cpu的事情。

若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),查找原网页可以看到

 

再找一个标准点的网页查看,比如博客园的网页博客园

 

response herders的Content-Type指定了编码类型。

《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!

 

python中的编码

字符串在Python内部的表示是unicode编码,因此,在做编码转换时,通常需要以unicode作为中间编码,即先将其他编码的字符串解码(decode)成unicode,再从unicode编码(encode)成另一种编码。

decode的作用是将其他编码的字符串转换成unicode编码,如str1.decode(‘gb2312’),表示将gb2312编码的字符串str1转换成unicode编码,encode的作用是将unicode编码转换成其他编码的字符串,如str2.encode(‘gb2312’),表示将unicode编码的字符串str2转换成gb2312编码。

因此,转码的时候一定要先搞明白,字符串str是什么编码,然后decode成unicode,然后再encode成其他编码。

requests中的编码

先上结论:之所以request的响应内容乱码,是因为模块中并没有正确识别出encoding的编码,而s.txt的结果是依靠encoding的编码“ISO-8859-1”解码出的结果,所以导致乱码。

所以正确的逻辑应该这样:

如:

s = requests.get('http://www.vuln.cn')

一般可以先判断出编码,比如编码为gb2312,

str = s.content

可以直接用正确的编码来解码。

str.decode('gb2312')

那么知道这个逻辑,接下来就是需要正确判断网页编码就行了,获取响应html中的charset参数:

<meta http-equiv="Content-Type" content="text/html; charset=UTF-8">

但实际上我们并不需要轮子。

因为requests模块中自带该属性,但默认并没有用上,我们看下源码:

def get_encodings_from_content(content):

 """

Returns encodings from given content string.

:param content: bytestring to extract encodings from.

"""

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))

还提供了使用chardet的编码检测,见models.py:

def apparent_encoding(self):

 """The apparent encoding, provided by the lovely Charade library."""

 return chardet.detect(self.content)['encoding']

所以我们可以直接执行encoding为正确编码,让response.text正确解码即可:

response=requests.get('www.test.com')

response.encoding = response.apparent_encoding

 

 

 

当你使用Pythonrequests库获取网页内容时,如果遇到乱码,通常是因为HTTP头部的Content-Type没有正确设置字符编码,或者你收到的内容是以非UTF-8格式编码的。以下是解决这个问题的一般步骤: 1. **检查Content-Type**: 确保响应头中存在`Content-Type`字段,并确认其指定了正确的字符集,如`Content-Type: text/html; charset=utf-8`。 ```python response = requests.get('http://example.com') if 'charset' in response.headers['Content-Type']: encoding = response.headers['Content-Type'].split(';')[0].split('/')[-1] else: encoding = 'utf-8' # 如果未指定,默认尝试识别 content = response.text.decode(encoding) ``` 2. **处理异常**: 如果服务器没有明确指定编码,可以尝试几种常见的字符集,比如GBK、ISO-8859-1等,或者使用`chardet`库自动检测: ```python import chardet response_content = response.content encoding_guess = chardet.detect(response_content)['encoding'] content = response.text.decode(encoding_guess) ``` 3. **错误处理**: - 如果依然乱码,可能是网站设置了不允许爬虫解析,这时需要检查目标网站的Robots协议或尊重它们的爬取限制。 - 使用`response.raise_for_status()`在请求失败时抛出异常,以便检查是否由于HTTP状态码问题导致的编码问题。 如果你遇到了具体的问题,可以提供一下具体的请求代码以及返回的headers信息,我可以帮助你更准确地定位问题。
评论 15
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值