深入浅出理解Python“乱码”问题

在爬取某网站时，网页的源代码出现了中文乱码问题。之前关于爬虫乱码有各式各样的问题，今天与大家一起总结下关于网络爬虫的乱码处理。注意，这里不仅是中文乱码，还包括一些如日文、韩文 、俄文、藏文之类的乱码处理，因为他们的解决方式 是一致的，故在此统一说明。

一、乱码问题的出现

就以爬取51job网站举例，讲讲为何会出现“乱码”问题，如何解决它以及其背后的机制。

代码示例：

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

显示结果：

打印res.text时，发现了什么?中文乱码!!!不过发现，网页的字符集类型采用的gbk编码格式。

我们知道Requests 会基于 HTTP 头部对响应的编码作出有根据的推测。当你访问 r.text 之时，Requests 会使用其推测的文本编码。你可以找出 Requests 使用了什么编码，并且能够使用r.encoding 属性来改变它。

接下来，我们一起通过resquests的一些用法，来看看Requests 会基于 HTTP 头部对响应的编码方式。

print(res.encoding)  #查看网页返回的字符集类型 
print(res.apparent_encoding) #自动判断字符集类型 

输出结果为：

可以发现Requests 推测的文本编码(也就是网页返回即爬取下来后的编码转换)与源网页编码不一致，由此可知其正是导致乱码原因。

二、乱码背后的奥秘

当源网页编码和爬取下来后的编码转换不一致时，如源网页为gbk编码的字节流，而我们抓取下后程序直接使用utf-8进行编码并输出到存储文件中，这必然会引起乱码，即当源网页编码和抓取下来后程序直接使用处理编码一致时，则不会出现乱码，此时再进行统一的字符编码也就不会出现乱码了。最终爬取的所有网页无论何种编码格式，都转化为utf-8格式进行存储。

注意：区分源网编码A-gbk、程序直接使用的编码B-ISO-8859-1、统一转换字符的编码C-utf-8。

在此，我们拓展讲讲unicode、ISO-8859-1、gbk2312、gbk、utf-8等之间的区别联系，大概如下：

最早的编码是iso8859-1，和ascii编码相似。但为了方便表示各种各样的语言，逐渐出现了很多标准编码。iso8859-1属于单字节编码，最多能表示的字符范围是0-255，应用于英文系列。很明显，iso8859-1编码表示的字符范围很窄，无法表示中文字符。

1981年中国人民通过对 ASCII 编码的中文扩充改造，产生了 GB2312 编码，可以表示6000多个常用汉字。但汉字实在是太多了，包括繁体和各种字符，于是产生了 GBK 编码，它包括了 GB2312 中的编码，同时扩充了很多。中国又是个多民族国家，各个民族几乎都有自己独立的语言系统，为了表示那些字符，继续把 GBK 编码扩充为 GB18030 编码。每个国家都像中国一样，把自己的语言编码，于是出现了各种各样的编码，如果你不安装相应的编码，就无法解释相应编码想表达的内容。终于，有个叫 ISO 的组织看不下去了。他们一起创造了一种编码 UNICODE ，这种编码非常大，大到可以容纳世界上任何一个文字和标志。所以只要电脑上有 UNICODE 这种编码系统，无论是全球哪种文字，只需要保存文件的时候，保存成 UNICODE 编码就可以被其他电脑正常解释。UNICODE 在网络传输中，出现了两个标准 UTF-8 和 UTF-16，分别每次传输 8个位和 16个位。于是就会有人产生疑问，UTF-8 既然能保存那么多文字、符号，为什么国内还有这么多使用 GBK 等编码的人?因为 UTF-8 等编码体积比较大，占电脑空间比较多，如果面向的使用人群绝大部分都是中国人，用 GBK 等编码也可以。

也可以这样来理解：字符串是由字符构成，字符在计算机硬件中通过二进制形式存储，这种二进制形式就是编码。如果直接使用 “字符串↔️字符↔️二进制表示(编码)” ，会增加不同类型编码之间转换的复杂性。所以引入了一个抽象层，“字符串↔️字符↔️与存储无关的表示↔️二进制表示(编码)” ，这样，可以用一种与存储无关的形式表示字符，不同的编码之间转换时可以先转换到这个抽象层，然后再转换为其他编码形式。在这里，unicode 就是 “与存储无关的表示”，utf—8 就是 “二进制表示”。

三、乱码的解决方法

根据原因来找解决方法，就非常简单了。

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：通过res.apparent_encoding属性指定

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

方法三：通过编码、解码的方式

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

输出结果：

基本思路三步走：确定源网页的编码A---gbk、程序通过编码B---ISO-8859-1对源网页数据还原、统一转换字符的编码C-utf-8。至于为啥为出现统一转码这一步呢? 网络爬虫系统数据来源很多，不可能使用数据时，再转化为其原始的数据，假使这样做是很废事的。所以一般的爬虫系统都要对抓取下来的结果进行统一编码，从而在使用时做到一致对外，方便使用。

比如如果我们想讲网页数据保存下来，则会将起转为utf-8，代码如下：

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

四、总结

关于网络爬虫乱码问题，本文不仅给出了一个解决方案，还深入到其中的原理，由此问题引申出很多有意思的问题，如，utf-8、gbk、gb2312的编码方式怎样的?为什么这样转化就可以解决问题?