Python 网络爬虫 006 (编程) 解决下载（或叫：爬取）到的网页乱码问题

解决下载（或叫：爬取）到的网页乱码问题

使用的系统：Windows 10 64位

Python 语言版本：Python 2.7.10 V

使用的编程 Python 的集成开发环境：PyCharm 2016 04

我使用的 urllib 的版本：urllib2

注意： 我没这里使用的是 Python2 ，而不是Python3

---

上一节，我介绍了如何下载网页。这样节我们来讲：如果我们下载一个带有中文的网站，或者日文的网站，终止就是不全是英文的网站，解决乱码问题。

---

一 . 解释乱码原因

Q： 为什么会出现乱码问题？

A： 编码方式不匹配导致的。

Q： 请具体说明一下？

A： 好的。

我先将上一节 编写的download() 函数的代码贴出来：

import urllib2

def download(url, user_agent='wswp', num_retries=2):
    print 'Downloading: ', url
    headers = {'User-agent' : user_agent}
    request = urllib2.Request(url, headers=headers)

    try:
        html = urllib2.urlopen(request).read()
    except urllib2.URLError as e:
        print 'Download error', e.reason
        html = None
        if num_retries > 0:
            if num_retries > 0:
                if hasattr(e, 'code') and 500 <= e.code < 600:
                    # recursively retry 5xx HTTP errors
                    return download(url, user_agent, num_retries-1)
    return html

在 download()函数 里面，我们使用 html = urllib2.urlopen(request).read() 这句代码得到网页的源代码（str数据）。那么得到的源代码是使用什么编码方式编码的str字符串呢？是使用网页源代码中 charset属性设定的编码方式编码的str字符串。

比如：我们就来爬取本博客的源代码。我们可以在浏览器上查看到 本网页的编码方式是 utf-8 。所以，当你执行：html = download('xxx') 命令后，html 里面存储的就是一个以utf-8编码方式编码的字符串。

---

接着，我们就使用 print html 命令将其打印到终端上。PyCharm软件上有两个终端，一个是PyCharm软件自带的终端窗口：Run窗口；另一个就是Terminal窗口，Terminal窗口不是PyCharm软件自带的，它就是 Windows系统的DOS窗口。（如果是Linux系统，这个Terminal窗口就是 Console窗口）。

在 Run 窗口 ：

打开 Setting 。

选择 Editor -> Code Style -> File Encodings ，将 Project Encoding 项设置为：UTF-8。

这样，我Run 窗口里面打印的内容都会按照UTF-8 编码的方式进行编码，然后显示在Run窗口里。

我们的代码中的 print html 这句话可以正常的将 html字符串里面的内容正常的打印到 Run 窗口里，不会有乱码的问题。

在 Terminal 窗口 ：

假设，我们现在在 Terminal窗口里使用命令 运行这个 Python脚本。那么 print html 这段代码，会在Terminal窗口里面打印html 这个被utf-8编码方式编码的str字符串里面的内容。如果Terminal窗口显示字符串的编码方式也是 utf-8 的话，那么就不会有乱码的情况发生。

但是，你要知道：我们安装 Windows 系统的时候，设置的是 简体中文（默认），所以DOS窗口（命令提示符窗口）里显示的内容是被使用 gb2312 编码方式进行编码的。所以如果我们要显示 UTF-8 字符就会乱码。

在DOS窗口（或者 PyCharm软件中的Terminal窗口）中执行下面的命令来查看现在Windows系统使用的编码方式：

chcp

输出：（936 就是 gb2312编码的编号。）

活动代码页: 936

你可以到这个网站里进行查表。

Windows系统使用的是 ANSI编码方式，ANSI 不是一个编码，它是一个总称。如果你在安装Windows系统的时候，选择 简体中文（默认），那么 ANSI 在你的电脑里指的就是gb2321编码。Windows系统中所有的文件都是会被 gb2321 编码方式进行编码，所以，你在Windows上新建的txt文件都是gb2321编码文件。

那么这个时候如果我有一个 其他编码的文件，比如UTF-8文件，你要是在 DOS窗口中使用 type filename.txt 命令打开它，你所看到的就是一堆乱码。

那么这个时候我们怎么办？怎样在 Terminal窗口 中显示正确的 html 字符串里面正确的内容呢？我们只需要改写 print html 这句代码就可以，将其修改为：print html.decode('utf-8').encode('GB18030')。

我来解释一下这句代码：代码中的 .decode('utf-8') 的意思是：将 html 字符串（str）通过 utf-8 编码方式解码为Unicode字节（Bytes）；接着 .encode('GB18030') 的意思是：将 解码得到的 Unicode字节（Bytes） 使用 GB18030编码方式 再编码成 Str字符串 （str）。

通过这样的转换，在 Terminal窗口中，就可以正常的被 gb2312编码方式正确的解析，并显示出来。（但是现在的代码，在 Run窗口上运行，就会是乱码了。你应该知道为什么。我不讲了。）

Q： 为什么要使用 GB18030 编码方式，不是要使用 gb2312 吗？

A： gb2312、GBK、GB18030 这三个编码方式其实可以看做是等价的关系。但是它们里面的编码的汉字数量不用，从少到多排序为：gb2312 < GBK < GB18030。有的网页虽然它的源代码中的 charset 属性写的是 gb2312 或者，GBK ，我们还是使用 GB18030编码最保险，使用其他的两个可能不会成功。

---

---

总结：

我们使用的是 Windows 系统上的 PyCharm 软件 做为我们开发的继承开发环境。

所谓：工欲善其事，必先利其器。PyCharm 软件上可以运行程序的有两个窗口：Run窗口 和 Terminal窗口。

我们应该统一 Run窗口 和 Terminal窗口 的编码方式，既然设置不了 Terminal 窗口的编码方式，那我们以后让 Run窗口 和 Terminal窗口 的编码方式都统一为 GBK 编码。这样，我们的程序就可以在这两个窗口里运用出同样的结果。（以后都使用 print html.decode('网页源代码的charset属性').encode('GB18030') 这样的代码打印信息。）

---

将 Pycharm软件的 Project Encoding 项设置为：GBK 即可统一Run窗口 和 Terminal窗口的编码方式。

---

二 . 扩展：如何使用程序获取网页的编码方式

获取网页的编码方式，即网页源代码中 charset 属性的值：

使用 Python 第三方库：chardet。

下载：（在DOS窗口中执行下面的命令）

C:\Python27\Scritp\pip.exe install charset

使用：

html = download('http://blog.csdn.net/github_35160620/article/details/52203682')

import chardet
charset = chardet.detect(html)['encoding']
print charset

运行输出：

utf-8

---

三 . 练习

题目：爬取目标网站：http://www.dytt8.net/

分析：目标网站的源代码中，charset 属性值为：gb2312

所以，爬虫代码是：

html = download('http://www.dytt8.net/')
print html 

其中 print html 这段代码也可以写成：print html.decode('GBK').encode('GB18030')

运行：现在，不管是 Run窗口，还是Terminal窗口，还是Windows 的 DOS窗口，显示都是正常的，没有乱码。

---

现在，我已经知道了为什么会出现乱码，也知道了如何解决乱码问题，现在我们就可以修改 download() 函数，将其变成一个永远都不会出现乱码问题的函数。

四 . 最终的 download() 函数的程序：

#-*- coding:utf-8 -*-

import urllib2
import chardet

def download(url, user_agent='wswp', num_retries=2):
    print 'Downloading: ', url
    headers = {'User-agent' : user_agent}
    request = urllib2.Request(url, headers=headers)

    try:
        html = urllib2.urlopen(request).read()
        charset = chardet.detect(html)['encoding']
        if charset == 'GB2312' or charset == 'gb2312':
            html = html.decode('GBK').encode('GB18030')
        else:
            html = html.decode(charset).encode('GB18030')
    except urllib2.URLError as e:
        print 'Download error', e.reason
        html = None
        if num_retries > 0:
            if num_retries > 0:
                if hasattr(e, 'code') and 500 <= e.code < 600:
                    # recursively retry 5xx HTTP errors
                    return download(url, user_agent, num_retries-1)
    return html

这样，对于任何目标网页，我需要执行下面的代码，就可以在输出窗口中打印出没有乱码的目标网页源代码。

html = download('网页的网站')
print html

搞定

---

对了，我在说说这个 #-*- coding:utf-8 -*- 这段注释的用处：

如果你的.py 文件中有中文注释，会在非英文的注释，你就必须在Python脚本 的最前面加上这句注释。否则程序运行时会报错：

SyntaxError: Non-ASCII character '\xe9' in file filename.py on line 6, but no encoding declared; see http://python.org/dev/peps/pep-0263/ for details

---

---

总结：

这样，我们在的download() 函数就完美了。

这个 download() 现在是一个灵活的下载程序，该函数能够捕获异常，并且可以自动尝试重新下载，并且我们设置了自定义的用户代理（user_agent），并且还解决了中文或其他非英文语言的乱码问题。

下一节，我介绍 下载一个站点里所有网页的方法1 — 使用网站地图 来下载一个站点里所有包含的网页源代码。