python3爬虫中文乱码之请求头‘Accept-Encoding’：br 的问题

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具体介绍：https://www.cnblogs.com/Leo_wl/p/9170390.html

Brotli优势：https://www.cnblogs.com/upyun/p/7871959.html

这个不是本文的重点，重点是python3爬虫是如何解决。

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，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 brotl 包 这个要自己安装（这里就不介绍了，百度一堆）

下面是爬取智联招聘的网站的

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。

不得不说网上对于brotli的中文介绍并不算太多。

作者：思维不混乱

链接：https://www.jianshu.com/p/70c3994efcd8

來源：简书

简书著作权归作者所有，任何形式的转载都请联系作者获得授权并注明出处。