背景
大家爬取网页的时候，应该都遇到过这种情况
当我打印网页源代码的时候
发现 全部是乱码的
那这个时候应该怎么办呢？
requests是如何判断编码
首先，response.content返回的内容 是二进制内容
response.text 则是根据设置的encoding来解码
# Try charset from content-type
content = None
encoding = self.encoding
if not self.content:
return str('')
# Fallback to auto-detected encoding.
if self.encoding is None:
encoding = self.apparent_encoding
# Decode unicode from given encoding.
try:
content = str(self.content, encoding, errors='replace')
except (LookupError, TypeError):
我们可以看到 ，当encoding为None的时候，
编码是通过chardet.detect来获取的,
def apparent_encoding(self):
"""The apparent encoding, provided by the chardet library."""
return chardet.detect(self.content)['encoding']
那么chardet.detect 又是干嘛的呢？
简单的讲，就是根据给定的字节，来返回他的编码
至于他是如何实现的，欢迎去看源代码。。。
上面说到了当encoding为None的时候,requests是如何设置encoding的
那么encoding 默认编码是啥呢？继续查看源代码
我们在adapters.py 里面找到了~
response.encoding = get_encoding_from_headers(response.headers)
def get_encoding_from_headers(headers):
"""Returns encodings from given HTTP Header Dict.
:param headers: dictionary to extract encoding from.
:rtype: str
"""
content_type = headers.get('content-type')
if not content_type:
return None
content_type, params = cgi.parse_header(content_type)
if 'charset' in params:
return params['charset'].strip("'\"")
if 'text' in content_type:
return 'ISO-8859-1'
简单讲就是 如何返回头里面没有content_type，则encoding为None
如果charset在参数里面的话，则使用charset设置的值（看下图，github返回的）
如果text在参数里面的话，则使用ISO-8859-1
然后你打印下 你乱码网页的encoding，发现，还真是ISO-8859-1
你会很奇怪，为啥当content-type为text/html的时候，编码为iso-8859-1呢？
现在常见的编码不是utf8么，requests怎么这么傻*呢...
然后发现是rfc2016的规定。。。
rfc2016的链接在 https://www.ietf.org/rfc/rfc2616.txt
感兴趣的同学可以自行查阅...
最后总结
当返回头没有content_type 的时候，encoding使用chardet.detect 猜测出来的编码（一般都是很准的）
当返回头里面有content_type 的时候，如果有charset=xxx，则encoding的编码为chatset的值。如果只是text/html,则编码为ISO-8859-1
那么当你发现response.text返回乱码的时候，怎么办呢。。。
只要先设置编码为None...
再打印.text就可以了..
response.encoding = None
response.text
本来呢，本篇文章到此结束了。。。但是呢。。。
科普个小知识
有几种方法可以知道网页的编码呢？
- 我们上面讲过的 response.headers中的content_type
- 通过chardet.detect猜测出来（上面讲过的）
- 网页源代码中的 meta（且有charset的值）如下面的，则表示网页编码为gb2312（不过呢，有时候并不是很准，这个是前端瞎xx写的，这时候就可以用chardet.detect来猜测了...）
方法3的代码如何写呢（如下）
def get_encodings_from_content(content):
"""Returns encodings from given content string.
:param content: bytestring to extract encodings from.
"""
warnings.warn((
'In requests 3.0, get_encodings_from_content will be removed. For '
'more information, please see the discussion on issue #2266. (This'
' warning should only appear once.)'),
DeprecationWarning)
charset_re = re.compile(r'<meta.*?charset=["\']*(.+?)["\'>]', flags=re.I)
pragma_re = re.compile(r'<meta.*?content=["\']*;?charset=(.+?)["\'>]', flags=re.I)
xml_re = re.compile(r'^<\?xml.*?encoding=["\']*(.+?)["\'>]')
return (charset_re.findall(content) +
pragma_re.findall(content) +
xml_re.findall(content))
你会看到requests3.0版本的时候，这个方法会去掉，这又是为什么呢。。。
截图自己看把，地址在https://github.com/requests/requests/issues/2266
如果还有猜测编码的方法，欢迎留言
完...
