從此再也不怕爬蟲“亂碼”問題！

作者 | 丁彥軍

責編 | 仲培藝

近日，有位粉絲向我請教，在爬取某網站時，網頁的源代碼出現了中文亂碼問題，本文就將與大家一起總結下關於網絡爬蟲的亂碼處理。注意，這裡不僅是中文亂碼，還包括一些如日文、韓文 、俄文、藏文之類的亂碼處理，因為他們的解決方式是一致的，故在此統一說明。

亂碼問題的出現

就以爬取 51job 網站舉例，講講為何會出現“亂碼”問題，如何解決它以及其背後的機制。

代碼示例：

import requests
url = "http://search.51job.com"
res = requests.get(url)
print(res.text)

顯示結果：

打印 res.text 時，發現了什麼？中文亂碼！！！不過發現，網頁的字符集類型採用的是 GBK 編碼格式。

我們知道 Requests 會基於 HTTP 頭部對響應的編碼作出有根據的推測。當你訪問 r.text 之時，Requests 會使用其推測的文本編碼。你可以找出 Requests 使用了什麼編碼，並且能夠使用 r.encoding 屬性來改變它。

接下來，我們一起通過 Resquests 的一些用法，來看看 Requests 會基於 HTTP 頭部對響應的編碼方式。

print(res.encoding) #查看網頁返回的字符集類型
print(res.apparent_encoding) #自動判斷字符集類型

輸出結果為：

可以發現 Requests 推測的文本編碼（也就是網頁返回即爬取下來後的編碼轉換）與源網頁編碼不一致，由此可知其正是導致亂碼原因。

亂碼背後的奧祕

當源網頁編碼和爬取下來後的編碼轉換不一致時，如源網頁為 GBK 編碼的字節流，而我們抓取下後程序直接使用 UTF-8 進行編碼並輸出到存儲文件中，這必然會引起亂碼，即當源網頁編碼和抓取下來後程序直接使用處理編碼一致時，則不會出現亂碼，此時再進行統一的字符編碼也就不會出現亂碼了。最終爬取的所有網頁無論何種編碼格式，都轉化為 UTF-8 格式進行存儲。

注意：區分源網編碼 A-GBK、程序直接使用的編碼 B-ISO-8859-1、統一轉換字符的編碼 C-UTF-8。

在此，我們拓展講講 Unicode、ISO-8859-1、GBK2312、GBK、UTF-8 等之間的區別聯繫，大概如下：

最早的編碼是 ISO8859-1，和 ASCII 編碼相似。但為了方便表示各種各樣的語言，逐漸出現了很多標準編碼。ISO8859-1 屬於單字節編碼，最多能表示的字符範圍是 0-255，應用於英文系列。很明顯，ISO8859-1 編碼表示的字符範圍很窄，無法表示中文字符。

1981 年中國人民通過對 ASCII 編碼的中文擴充改造，產生了 GB2312 編碼，可以表示 6000 多個常用漢字。但漢字實在是太多了，包括繁體和各種字符，於是產生了 GBK 編碼，它包括了 GB2312 中的編碼，同時擴充了很多。中國又是個多民族國家，各個民族幾乎都有自己獨立的語言系統，為了表示那些字符，繼續把 GBK 編碼擴充為 GB18030 編碼。每個國家都像中國一樣，把自己的語言編碼，於是出現了各種各樣的編碼，如果你不安裝相應的編碼，就無法解釋相應編碼想表達的內容。終於，有個叫 ISO 的組織看不下去了。他們一起創造了一種編碼 Unicode，這種編碼非常大，大到可以容納世界上任何一個文字和標誌。所以只要電腦上有 Unicode 這種編碼系統，無論是全球哪種文字，只需要保存文件的時候，保存成 Unicode 編碼就可以被其他電腦正常解釋。Unicode 在網絡傳輸中，出現了兩個標準 UTF-8 和 UTF-16，分別每次傳輸 8 個位和 16 個位。於是就會有人產生疑問，UTF-8 既然能保存那麼多文字、符號，為什麼國內還有這麼多使用 GBK 等編碼的人？因為 UTF-8 等編碼體積比較大，佔電腦空間比較多，如果面向的使用人群絕大部分都是中國人，用 GBK 等編碼也可以。

也可以這樣來理解：字符串是由字符構成，字符在計算機硬件中通過二進制形式存儲，這種二進制形式就是編碼。如果直接使用 “字符串↔️字符↔️二進制表示（編碼）” ，會增加不同類型編碼之間轉換的複雜性。所以引入了一個抽象層，“字符串↔️字符↔️與存儲無關的表示↔️二進制表示（編碼）” ，這樣，可以用一種與存儲無關的形式表示字符，不同的編碼之間轉換時可以先轉換到這個抽象層，然後再轉換為其他編碼形式。在這裡，Unicode 就是 “與存儲無關的表示”，UTF-8 就是 “二進制表示”。

亂碼的解決方法

根據原因來找解決方法，就非常簡單了。

方法一：直接指定 res.encoding

import requests
url = "http://search.51job.com"
res = requests.get(url)
res.encoding = "gbk"
html = res.text
print(html)

方法二：通過 res.apparent_encoding 屬性指定

import requests
url = "http://search.51job.com"
res = requests.get(url)
res.encoding = res.apparent_encoding
html = res.text
print(html)

方法三：通過編碼、解碼的方式

import requests
url = "http://search.51job.com"
res = requests.get(url)
html = res.text.encode('iso-8859-1').decode('gbk')
print(html)

輸出結果：

基本思路三步走：確定源網頁的編碼 A---GBK、程序通過編碼 B---ISO-8859-1 對源網頁數據還原、統一轉換字符的編碼 C-UTF-8。至於為啥出現統一轉碼這一步呢？ 網絡爬蟲系統數據來源很多，不可能使用數據時，再轉化為其原始的數據，這樣做是很廢事的。所以一般的爬蟲系統都要對抓取下來的結果進行統一編碼，從而在使用時做到一致對外，方便使用。

比如如果我們想講網頁數據保存下來，則會將起轉為 UTF-8，代碼如下：

with open("a.txt",'w',encoding='utf-8') as f:
 f.write(html)

總結

關於網絡爬蟲亂碼問題，這裡不僅給出了一個解決方案，還深入到其中的原理，由此問題引申出很多有意思的問題，如 UTF-8、GBK、GB2312 的編碼方式怎樣的？為什麼這樣轉化就可以解決問題？

最後，多動腦，多思考，多總結，致每一位碼農！

本文為作者投稿，版權歸其所有。