Python - 爬虫中文乱码之请求头 Accept-Encoding Brotli 问题
当用 Python3 做爬虫的时候，一些网站为了防爬虫会设置一些检查机制，这时我们就需要添加请求头，伪装成浏览器正常访问。
header的内容在浏览器的开发者工具中便可看到，将这些信息添加到我们的爬虫代码中即可。
Accept-Encoding：是浏览器发给服务器,声明浏览器支持的编码类型。一般有 gzip,deflate,br 等等。
Python3中的 requests 包中 response.text 和 response.content：
response.content # 字节方式的响应体，会自动为你解码 gzip 和 deflate 压缩 类型：bytes
reponse.text # 字符串方式的响应体，会自动根据响应头部的字符编码进行解码。类型：str但是这里是默认是不支持解码 br 的！
br 指的是 Brotli，是一种全新的数据格式，无损压缩，压缩比极高（比gzip高的）。
Brotli 介绍：https://www.cnblogs.com/Leo_wl/p/9170390.html
Brotli 优势：https://www.cnblogs.com/upyun/p/7871959.html
Ps：这个不是本文的重点，重点是 Python3 爬虫是如何解决中文乱码问题。
第一种
将 ‘Accept-Encoding’ 中的：br 去除。这样接受的网页页面就是没有压缩的或者是默认可解析的了。但是我认为这样不好，人家搞出这么牛逼的算法还是要用一下的。
第二种
将使用 br 压缩的页面解析。Python3 中要导入 brotli 包 这个要自己安装（这里就不介绍了，百度一堆）。
from bs4 import BeautifulSoup
import requests
import brotli
from requests.exceptions import RequestException
def get_one_page(city, keyword, page):
'''
获取网页html内容并返回
'''
paras = {
'jl': city, # 搜索城市
'kw': keyword, # 搜索关键词
'isadv': 0, # 是否打开更详细搜索选项
'isfilter': 1, # 是否对结果过滤
'p': page, # 页数
# 're': region # region的缩写，地区，2005代表海淀
}
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36 SE 2.X MetaSr 1.0',
'Host': 'sou.zhaopin.com',
'Referer': 'https://www.zhaopin.com/',
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
'Accept-Encoding': 'gizp,defale',
'Accept-Language': 'zh-CN,zh;q=0.9'
}
import chardet
url = 'https://sou.zhaopin.com/jobs/searchresult.ashx?jl={}&kw={}&sm=0&p={}'.format(paras['jl'],paras['kw'],paras['p'])
try:
# 获取网页内容，返回html数据
response = requests.get(url, headers=headers)
# 通过状态码判断是否获取成功
if response.status_code == 200:
#response.encoding = 'utf-8'
print(response.headers)
print(response.encoding)
key = 'Content-Encoding'
# print(response.headers[key])
print("-----------")
if(key in response.headers and response.headers['Content-Encoding'] == 'br'):
data = brotli.decompress(response.content)
data1 = data.decode('utf-8')
print(data1)
return data1
print(response.text)
return response.text
return None
except RequestException as e:
return None
def main(city, keyword, pages):
for i in range(pages):
html = get_one_page(city, keyword, i)
if __name__ == '__main__':
main('北京', 'python', 1)部分结果：
{'Server': 'openresty', 'Date': 'Sun, 19 Aug 2018 13:15:46 GMT', 'Content-Type': 'text/html; charset=utf-8', 'Content-Length': '361146', 'Connection': 'keep-alive', 'Vary': 'Accept-Encoding, Accept-Encoding', 'zp-trace-id': '8437455ebb5342a59f8af78ddaab1985', 'Set-Cookie': 'ZP-ENV-FLAG=gray'}
utf-8
-----------
北京python招聘（求职）python招聘（求职）尽在智联招聘
这是没有加 br 在请求的头里的，下面改一下 Accept-Encoding 添加 br。
...同上
'Accept-Encoding': 'br,gizp,defale'
...同上部分结果：
{'Server': 'openresty', 'Date': 'Sun, 19 Aug 2018 13:19:02 GMT', 'Content-Type': 'text/html; charset=utf-8', 'Transfer-Encoding': 'chunked', 'Connection': 'keep-alive', 'Vary': 'Accept-Encoding', 'zp-trace-id': '842e66a58bb2464296121c9de59a9965', 'Content-Encoding': 'br', 'Set-Cookie': 'ZP-ENV-FLAG=gray'}
utf-8
-----------
北京python招聘（求职）python招聘（求职）尽在智联招聘
当网站使用了 br 压缩的话，他会告诉我们的，就是 ‘Content-Encoding’ 的值。重点是：
key = 'Content-Encoding'
if(key in response.headers and response.headers['Content-Encoding'] == 'br'):
data = brotli.decompress(response.content)
data1 = data.decode('utf-8')
print(data1)好的，这就解决了！
Ps：不得不说网上对于 brotli 的中文介绍并不算太多，包括对 Java 爬虫的支持教程也很少。