Rumah >hujung hadapan web >html tutorial >Node做网页爬虫时遇到的Html entites对象造成乱码_html/css_WEB-ITnose
Node做网页爬虫时遇到的Html entites对象造成乱码
就是文字内容是这种货:
��һҳ
尝试用iconv-lite模块的decode去转码,但是失败了。
这种叫HTML Entities,可以借助一些模块来转换,比如,html-entities Github。
HTML Entities是什么请参照如下网址:
http://www.w3school.com.cn/html/html_entities.asp
html-entities的使用方法如下
var Entities = require('html-entities').XmlEntities;entities = new Entities();var str = '��һҳ';console.log(entities.decode(str));
在爬虫的请求上也要调整:
1 var headers = { 2 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.65 Safari/537.36'3 }
加上简单的伪装
使用Node爬的话,应该会用cheerio,在接受request返回的网页内容时,还是经过iconv的转换,再用cheerio
1 var html = iconv.decode(body, 'gbk')2 var $ = cheerio.load(html, {decodeEntities: false})
如果你不知道抓取的网页的编码的话,请使用:
res.headers['content-type']
根据返回的编码格式进行处理即可
关于网页内容转码和乱码的深层分析可以阅读如下博文:
http://www.dewen.io/q/13755
http://www.99css.com/nodejs-request-chinese-encoding/
这个帅哥的分析也很有趣
http://blog.vichamp.com/program/2015/07/04/Common-Messy-Code/