快捷導(dǎo)航

nodejs爬蟲遇到的亂碼問題匯總

更新時(shí)間：2017年04月07日 08:42:44 作者：村中少年

這篇文章主要給大家匯總介紹了作者再制作nodejs爬蟲遇到的亂碼問題，有相同問題的小伙伴可以參考下

上一篇文章中使用nodejs程序解析了網(wǎng)頁編碼為gbk,gb2312,以及utf-8的情況，這里面有三種特殊的亂碼情況需要單獨(dú)的說明一下.

1，網(wǎng)頁編碼為utf-8,但是解析為亂碼，代表網(wǎng)站為www.guoguo-app.com。

這個(gè)問題真是個(gè)逗逼問題，查看網(wǎng)頁源碼中給出的編碼方式為utf8，如下：

<meta charset="UTF-8">
<title>查快遞</title>

由于解析出來的始終是亂碼，我就抓包看了下，報(bào)文中的編碼方式為gbk，果然我使用gbk的方式之后，得到的不再是亂碼了。淘寶為了反爬蟲也是操碎了新，但是我也很好奇這種方式是怎么實(shí)現(xiàn)的，知道的告訴我。

GET / HTTP/1.1
Host: www.guoguo-app.com
Connection: close

HTTP/1.1 200 OK
Date: Thu, 06 Apr 2017 01:56:23 GMT
Content-Type: text/html;charset=GBK
Transfer-Encoding: chunked
Connection: close
Vary: Accept-Encoding
Vary: Accept-Encoding
Content-Language: zh-CN
Server: Tengine/Aserver

1，網(wǎng)頁編碼為utf-8,解析為亂碼情況二，代表網(wǎng)站http//andersonjiang.blog.sohu.com/

單純的查看網(wǎng)頁源碼看不出任何毛病，于是我又抓了一次包，得到如下情形：

GET / HTTP/1.1
Host: andersonjiang.blog.sohu.com
Connection: close

HTTP/1.1 200 OK
Content-Type: text/html; charset=GBK
Transfer-Encoding: chunked
Connection: close
Server: nginx
Date: Thu, 06 Apr 2017 02:10:33 GMT
Vary: Accept-Encoding
Expires: Thu, 01 Jan 1970 00:00:00 GMT
RHOST: 192.168.110.68@11177
Pragma: No-cache
Cache-Control: no-cache
Content-Language: en-US
Content-Encoding: gzip
FSS-Cache: MISS from 13539701.18454911.21477824
FSS-Proxy: Powered by 9935166.11245896.17873234

andersonjiang.blog.sohu.com這個(gè)網(wǎng)站同時(shí)采用了Transfer-Encoding: chunked傳輸編碼和Content-Encoding: gzip內(nèi)容編碼功能，由于nodejs爬蟲沒有g(shù)zip解包功能，因此該網(wǎng)站提取不到任何字段，即title和charset等。要想提取此類網(wǎng)站則要添加gzip解包功能。

下面兩個(gè)網(wǎng)站www.cr173.com以及www.csdn.net是正常的抓包情況。

GET / HTTP/1.1
Host: www.cr173.com
Connection: close

HTTP/1.1 200 OK
Expires: Thu, 06 Apr 2017 02:42:20 GMT
Date: Thu, 06 Apr 2017 02:12:20 GMT
Content-Type: text/html
Last-Modified: Thu, 06 Apr 2017 00:52:42 GMT
ETag: "96a4141970aed21:0"
Cache-Control: max-age=1800
Accept-Ranges: bytes
Content-Length: 158902
Accept-Ranges: bytes
X-Varnish: 1075189606
Via: 1.1 varnish
X-Via: 1.1 dxxz46:4 (Cdn Cache Server V2.0), 1.1 oudxin15:1 (Cdn Cache Server V2.0)
Connection: close
GET / HTTP/1.1
Host: www.csdn.net
Connection: close

HTTP/1.1 200 OK
Server: openresty
Date: Thu, 06 Apr 2017 02:18:59 GMT
Content-Type: text/html; charset=utf-8
Content-Length: 99363
Connection: close
Vary: Accept-Encoding
Last-Modified: Thu, 06 Apr 2017 02:10:02 GMT
Vary: Accept-Encoding
ETag: "58e5a37a-18423"
Accept-Ranges: bytes

3，網(wǎng)頁編碼為其他形式的編碼，解析為亂碼，例如：

（1）編碼為Big5，代表網(wǎng)站為 www.ruten.com.tw， www.ctgoodjobs.hk

（2）編碼為Shift_JIS，代表網(wǎng)站為www.vector.co.jp，www.smbc.co.jp

（3）編碼為windows-12，代表網(wǎng)站為www.tff.org，www.pravda.com.ua

（4）編碼為EUC-JP，代表網(wǎng)站為www.showtime.jp

（5）編碼為EUC-KR ，代表網(wǎng)站為www.incruit.com，www.samsunghospital.com，

由于iconv-lite的說明中支持如下的編碼方式：

Currently only a small part of encodings supported:

 All node.js native encodings: 'utf8', 'ucs2', 'ascii', 'binary', 'base64'.
 Base encodings: 'latin1'
 Cyrillic encodings: 'windows-1251', 'koi8-r', 'iso 8859-5'.
 Simplified chinese: 'gbk', 'gb2313'.

Other encodings are easy to add, see the source. Please, participate
因此對于上述出現(xiàn)的網(wǎng)頁編碼，只有自己添加解碼方式加以解決了。

總之要寫一個(gè)通用的爬蟲程序還有很長的路要走。

您可能感興趣的文章: