python中——requests爬虫【中文乱码】的3种解决方法

requests是一个较为简单易用的HTTP请求库，是python中编写爬虫程序最基础常用的一个库。
而【中文乱码】问题，是最常遇到的问题，对于初学者来说，是很困恼的。
本文将详细说明，python中使用requests库编写爬虫程序时，出现【中文乱码】的原因，及常见3种解决办法。

一、【中文乱码】情况及出现原因

（一）【中文乱码】举例

首先，本文的【中文乱码】情况，指的是原网页中的中文内容在使用requests获取后，中文完全无法识别的情况，区别于\x、\u等编码情况。如下图中的例子：

注：requests.get()方法，返回一个response对象，其存储了服务器响应的内容。

（二）出现【中文乱码】原因

导致上图中【中文乱码】的原因：
使用requests库时，选择使用的文本响应方法不合适，且没有在代码中添加设置合适的编码，以致于使用【response.text】自动获取到的网页编码，与实际网页的编码不一致，进而产生【中文乱码】。
使用requests库时，可能已经形成了一个习惯，常用【response.text】进行文本响应，而【response.content】常用于图片、视频等。
这两者，最大的一个区别就是：
1、【response.text】会自动根据HTTP头部去推测网页的编码，解码并返回解码后的文本。
2、【response.content】不会解码，直接以二进制形式返回。
两种文本响应方法，如下表：

方法	释义
response.text	服务器响应的内容，会自动根据响应头部的字符编码进行解码。根据HTTP头部对响应的编码做出有根据的推测，推测文本编码。返回类型：str；常用于：响应文本
response.content	字节方式的响应体，不会根据HTTP头部对响应的编码做出有根据的推测。返回类型：bytes（二进制）；常用于：图片、视频

二、3种处理【中文乱码】的方法

（一）修改网页文本获取的方法

据上，已知原因是获取文本的方法不对，显然最简单、直接的方法就是：
直接将response.text换成response.content

（二）手动指定网页编码、再提取文本

据上，已知使用【response.text】时，会解码返回，但解码又与原网页编码不一致，而导致【中文乱码】。
鉴于response也提供了【response.encoding】，来指定返回后的网页编码。
所以解决方法可以是：
手动指定网页编码，使之得到正常的文本
该方法的较第一种，相对麻烦一点：
首先，需要确认原网页的实际编码，然后根据网页实际编码做出修改。
具体步骤如下：
1、查看网页编码
查看网页编码，有以下两种方式：
（1）直接打开网页源码（html）【Ctr+U】，查看编码：【charset】的值。

（2）使用response的encoding、apparent_encoding，得到网页编码。
encoding、apparent_encoding两者最大的区别：
encoding是从header中去提取，而apparent_encoding是从网页源码去解析，apparent_encoding得到的结果更准确。
详细如下表：

属性	释义
response.encoding	从网页响应的header中，提取charset字段中的编码。若header中没有charset字段，则默认为ISO-8859-1编码模式，ISO-8859-1编码无法解析中文，这也是中文乱码的原因。
response.apparent_encoding	从网页的内容中（html源码）中分析网页编码的方式。所以apparent_encoding比encoding更加准确，获取到的才是原网页的实际编码。

以（1）中网址为例，网页的真实编码为【GB2312】。
使用encoding、apparent_encoding两种方法，所得的结果是不一致的，apparent_encoding才是原网页实际编码。如下图：

2、手动指定文本编码
根据上述方法，获得原网页的实际编码后，手动在代码中指定文本编码格式，即可解决【中文乱码】问题。
写法有2种，可任选其一，如下图：

（三）在文本获取后对【中文乱码】进行转码

除了以上2种解决办法外，还可以使用pyhton自带的编码方法，把【中文乱码】的内容再次进行转码，转换为成网页实际的编码格式即可。
转码方式：encode(‘iso-8859-1’).decode(‘编码格式’)
如上面例子中，网页编码实际为“gb2312”，代码可修改为：

以上就python使用requests库编写爬虫时，出现【中文乱码】的原因，及常见的三种处理方法，可供参考。

-end