有时候用 file_get_contents() 函数抓取网页会发生乱码现象。有两个原因会导致乱码,一个是编码问题,一个是目标页面开了Gzip。
编码问题好办,把抓取到的内容转下编码即可($content=iconv("GBK", "UTF-8//IGNORE", $content);),我们这里讨论的是如何抓取开了Gzip的页面。怎么判断呢?获取的头部当中有Content-Encoding: gzip说明内容是GZIP压缩的。用FireBug看一下就知道页面开了gzip没有。下面是用firebug查看我的博客的头信息,Gzip是开了的。
2 |
Accept text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8 |
3 |
Accept-Encoding gzip, deflate |
4 |
Accept-Language zh-cn,zh;q=0.8,en-us;q=0.5,en;q=0.3 |
6 |
Cookie __utma=225240837.787252530.1317310581.1335406161.1335411401.1537; __utmz=225240837.1326850415.887.3.utmcsr=google|utmccn=(organic)|utmcmd=organic|utmctr=%E4%BB%BB%E4%BD%95%E9%A1%B9%E7%9B%AE%E9%83%BD%E4%B8%8D%E4%BC%9A%E9%82%A3%E4%B9%88%E7%AE%80%E5%8D%95%20site%3Awww.nowamagic.net; PHPSESSID=888mj4425p8s0m7s0frre3ovc7; __utmc=225240837; __utmb=225240837.1.10.1335411401 |
8 |
User-Agent Mozilla/5.0 (Windows NT 5.1; rv:12.0) Gecko/20100101 Firefox/12.0 |
下面介绍一些解决方案:
1. 使用自带的zlib库
如果服务器已经装了zlib库,用下面的代码可以轻易解决乱码问题。
1 |
$data = file_get_contents("compress.zlib://".$url); |
2. 使用CURL代替file_get_contents
1 |
function curl_get($url, $gzip=false){ |
2 |
$curl = curl_init($url); |
3 |
curl_setopt($curl, CURLOPT_RETURNTRANSFER, 1); |
4 |
curl_setopt($curl, CURLOPT_CONNECTTIMEOUT, 10); |
5 |
if($gzip) curl_setopt($curl, CURLOPT_ENCODING, "gzip"); // 关键在这里 |
6 |
$content = curl_exec($curl); |
3. 使用gzip解压函数
001 |
function gzdecode($data) { |
002 |
$len = strlen($data); |
003 |
if ($len < 18 || strcmp(substr($data,0,2),"\x1f\x8b")) { |
004 |
return null; // Not GZIP format (See RFC 1952) |
006 |
$method = ord(substr($data,2,1)); // Compression method |
007 |
$flags = ord(substr($data,3,1)); // Flags |
008 |
if ($flags & 31 != $flags) { |
009 |
// Reserved bits are set -- NOT ALLOWED by RFC 1952 |
012 |
// NOTE: $mtime may be negative (PHP integer limitations) |
013 |
$mtime = unpack("V", substr($data,4,4)); |
015 |
$xfl = substr($data,8,1); |
016 |
$os = substr($data,8,1); |
021 |
// 2-byte length prefixed EXTRA data in header |
022 |
if ($len - $headerlen - 2 < 8) { |
023 |
return false; // Invalid format |
025 |
$extralen = unpack("v",substr($data,8,2)); |
026 |
$extralen = $extralen[1]; |
027 |
if ($len - $headerlen - 2 - $extralen < 8) { |
028 |
return false; // Invalid format |
030 |
$extra = substr($data,10,$extralen); |
031 |
$headerlen += 2 + $extralen; |
037 |
// C-style string file NAME data in header |
038 |
if ($len - $headerlen - 1 < 8) { |
039 |
return false; // Invalid format |
041 |
$filenamelen = strpos(substr($data,8+$extralen),chr(0)); |
042 |
if ($filenamelen === false || $len - $headerlen - $filenamelen - 1 < 8) { |
043 |
return false; // Invalid format |
045 |
$filename = substr($data,$headerlen,$filenamelen); |
046 |
$headerlen += $filenamelen + 1; |
052 |
// C-style string COMMENT data in header |
053 |
if ($len - $headerlen - 1 < 8) { |
054 |
return false; // Invalid format |
056 |
$commentlen = strpos(substr($data,8+$extralen+$filenamelen),chr(0)); |
057 |
if ($commentlen === false || $len - $headerlen - $commentlen - 1 < 8) { |
058 |
return false; // Invalid header format |
060 |
$comment = substr($data,$headerlen,$commentlen); |
061 |
$headerlen += $commentlen + 1; |
066 |
// 2-bytes (lowest order) of CRC32 on header present |
067 |
if ($len - $headerlen - 2 < 8) { |
068 |
return false; // Invalid format |
070 |
$calccrc = crc32(substr($data,0,$headerlen)) & 0xffff; |
071 |
$headercrc = unpack("v", substr($data,$headerlen,2)); |
072 |
$headercrc = $headercrc[1]; |
073 |
if ($headercrc != $calccrc) { |
074 |
return false; // Bad header CRC |
079 |
// GZIP FOOTER - These be negative due to PHP's limitations |
080 |
$datacrc = unpack("V",substr($data,-8,4)); |
081 |
$datacrc = $datacrc[1]; |
082 |
$isize = unpack("V",substr($data,-4)); |
085 |
// Perform the decompression: |
086 |
$bodylen = $len-$headerlen-8; |
088 |
// This should never happen - IMPLEMENTATION BUG! |
091 |
$body = substr($data,$headerlen,$bodylen); |
096 |
// Currently the only supported compression method: |
097 |
$data = gzinflate($body); |
100 |
// Unknown compression method |
104 |
// I'm not sure if zero-byte body content is allowed. |
105 |
// Allow it for now... Do nothing... |
108 |
// Verifiy decompressed size and CRC32: |
109 |
// NOTE: This may fail with large data sizes depending on how |
110 |
// PHP's integer limitations affect strlen() since $isize |
111 |
// may be negative for large sizes. |
112 |
if ($isize != strlen($data) || crc32($data) != $datacrc) { |
113 |
// Bad format! Length or CRC doesn't match! |
使用:
就介绍这三个方法,应该能解决大部分gzip引起的抓取乱码问题了。
- 简易数据分析 12 | Web Scraper 翻页——抓取分页器翻页的网页
这是简易数据分析系列的第 12 篇文章. 前面几篇文章我们介绍了 Web Scraper 应对各种翻页的解决方法,比如说修改网页链接加载数据.点击"更多按钮"加载数据和下拉自动加载 ...
- htmlunit抓取js执行后的网页源码
上次我不是写了一个自动抓取博客访问量吗 (点击打开链接) 可是昨天晚上我又运行的时候,发现不能用了.. 运行了几次 发现使用URLConnection 得到的网页源码和浏览器直接查看的不同. URLC ...
- Java HttpURLConnection 抓取网页内容 解析gzip格式输入流数据并转换为String格式字符串
最近GFW为了刷存在感,搞得大家是头晕眼花,修改hosts 几乎成了每日必备工作. 索性写了一个小程序,给办公室的同事们分享,其中有个内容 就是抓取网络上的hosts,废了一些周折. 我是在一个博客上 ...
- Scrapy爬虫框架教程(四)-- 抓取AJAX异步加载网页
欢迎关注博主主页,学习python视频资源,还有大量免费python经典文章 sklearn实战-乳腺癌细胞数据挖掘 https://study.163.com/course/introduction ...
- Python3抓取javascript生成的html网页
用urllib等抓取网页,只能读取网页的静态源文件,而抓不到由javascript生成的内容. 究其原因,是因为urllib是瞬时抓取,它不会等javascript的加载延迟,所以页面中由javasc ...
- 网络包抓取开发包 Npcap
Npcap 是 Nmap 项目的网络包抓取库在 Windows 下的版本. Npcap 是致力于采用 Microsoft Light-Weight Filter (NDIS 6 LWF) 技术和 Wi ...
- python抓取历年特码开奖记录
背景: 小时候,有种游戏,两个主人公:白XX和曾XX,每个家庭把他俩像活菩萨一样供着,供他们吃,供他们穿 做生意的老板为了这两位活菩萨,关门大吉 农民为了这两位活菩萨卖牛卖田变卖家产 做官的为了这两位 ...
- 如何让Python爬虫一天抓取100万张网页
前言 文的文字及图片来源于网络,仅供学习.交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理. 作者: 王平 源自:猿人学Python PS:如有需要Python学习资料的 ...
- Java---网络蜘蛛-网页邮箱抓取器~源码
刚刚学完Socket,迫不及待的做了这个网页邮箱抓取~~~ 现在有越来越多的人热衷于做网络爬虫(网络蜘蛛),也有越来越多的地方需要网络爬虫,比如搜索引擎.资讯采集.舆情监测等等,诸如此类.网络爬虫涉及 ...
随机推荐
- Hadoop(24)-Hadoop优化
1. MapReduce 跑得慢的原因 优化方法 MapReduce优化方法主要从六个方面考虑:数据输入.Map阶段.Reduce阶段.IO传输.数据倾斜问题和常用的调优参数. 数据输入 Map阶段 ...
- abap<itab>refresh,clear,free
在ABAP开发过程中,clear,refresh,free都有用来清空内表的作用,但用法还是有区别的. clear itab,清空内表行以及工作区,但保存内存区. clear itab[],清空内表行 ...
- elasticsearch 关联查询
父-子关系文档 父-子关系文档 在实质上类似于 nested model :允许将一个对象实体和另外一个对象实体关联起来. 而这两种类型的主要区别是:在 nested objects 文档中,所有对象 ...
- Execution Error, return code 1 from org.apache.hadoop.hive.ql.exec.DDLTask. org/apache/hadoop/hbase/
Execution Error, return code 1 from org.apache.hadoop.hive.ql.exec.DDLTask. org/apache/hadoop/hbase/ ...
- 教你用Bootstrap开发漂亮的前端界面
Bootstrap介绍: Bootstrap 是最受欢迎的 HTML.CSS 和 JS 框架,用于开发响应式布局.移动设备优先的 WEB 项目. Bootstrap的特点: 一.预处理脚本:虽然可以直 ...
- Selenium LoadableComponent加载组件
继承LoadableComponent类可以在打开地址时, 判断浏览器是否打开了预期的网址, 需要重写load()与isLoad()方法: 即使没有定义get()方法, 也可以进行get()方法的调用 ...
- 第八篇Python基本数据类型之列表、元组与字典
列表 写在最前,必须要会的:append(),extend(),insert(),索引,切片,循环 list 是一个类,是个对象 列表用 方括号[]括起来的,[]内以逗号分割每个元素,列表中的元素可 ...
- docker容器中启动kvm虚拟机
.安装docker yum install docker systemctl start docker.service systemctl enable docker.service .拉取cento ...
- Visual Studio 2005安装包
点击下载
- Python 3 学习笔记之——面向对象
1. 类的介绍 类(Class) 用来描述具有相同的属性和方法的对象的集合.它定义了该集合中每个对象所共有的属性和方法.对象是类的实例,类是对象的抽象. 方法:类中定义的函数. 类变量:类变量在整个实 ...