當用 Python3 做爬蟲的時候,一些網站為了防爬蟲會設置一些檢查機制,這時我們就需要添加請求頭,偽裝成瀏覽器正常訪問。
header的內容在瀏覽器的開發者工具中便可看到,將這些信息添加到我們的爬蟲代碼中即可。
Accept-Encoding:是瀏覽器發給服務器,聲明瀏覽器支持的編碼類型。一般有 gzip,deflate,br 等等。
Python3中的 requests 包中 response.text 和 response.content:
response.content # 字節方式的響應體,會自動為你解碼 gzip 和 deflate 壓縮 類型:bytes
reponse.text # 字符串方式的響應體,會自動根據響應頭部的字符編碼進行解碼。類型:str但是這里是默認是不支持解碼 br 的!
br 指的是 Brotli,是一種全新的數據格式,無損壓縮,壓縮比極高(比gzip高的)。
Brotli 介紹:https://www.cnblogs.com/Leo_wl/p/9170390.html
Brotli 優勢:https://www.cnblogs.com/upyun/p/7871959.html
Ps:這個不是本文的重點,重點是 Python3 爬蟲是如何解決中文亂碼問題。
?
第一種
將 ‘Accept-Encoding’ 中的:br 去除。這樣接受的網頁頁面就是沒有壓縮的或者是默認可解析的了。但是我認為這樣不好,人家搞出這么牛逼的算法還是要用一下的。
?
第二種
將使用 br 壓縮的頁面解析。Python3 中要導入 brotli 包 這個要自己安裝(這里就不介紹了,百度一堆)。
from bs4 import BeautifulSoup
import requests
import brotli
from requests.exceptions import RequestException
def get_one_page(city, keyword, page):
'''
獲取網頁html內容并返回
'''
paras = {
'jl': city, # 搜索城市
'kw': keyword, # 搜索關鍵詞
'isadv': 0, # 是否打開更詳細搜索選項
'isfilter': 1, # 是否對結果過濾
'p': page, # 頁數
# 're': region # region的縮寫,地區,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:
# 獲取網頁內容,返回html數據
response = requests.get(url, headers=headers)
# 通過狀態碼判斷是否獲取成功
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)
部分結果:
{'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(求職)python招聘(求職)盡在智聯招聘
這是沒有加 br 在請求的頭里的,下面改一下 Accept-Encoding 添加 br。
...同上
'Accept-Encoding': 'br,gizp,defale'
...同上
部分結果:
{'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(求職)python招聘(求職)盡在智聯招聘
當網站使用了 br 壓縮的話,他會告訴我們的,就是 ‘Content-Encoding’ 的值。重點是:
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,這就解決了!
Ps:不得不說網上對于 brotli 的中文介紹并不算太多,包括對 Java 爬蟲的支持教程也很少。
更多文章、技術交流、商務合作、聯系博主
微信掃碼或搜索:z360901061

微信掃一掃加我為好友
QQ號聯系: 360901061
您的支持是博主寫作最大的動力,如果您喜歡我的文章,感覺我的文章對您有幫助,請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧,狠狠點擊下面給點支持吧,站長非常感激您!手機微信長按不能支付解決辦法:請將微信支付二維碼保存到相冊,切換到微信,然后點擊微信右上角掃一掃功能,選擇支付二維碼完成支付。
【本文對您有幫助就好】元
