有时候用 file_get_contents() 函数抓取网页会发生乱码现象。有两个原因会导致乱码,一个是编码问题,一个是目标页面开了Gzip。
编码问题好办,把抓取到的内容转下编码即可($content=iconv("GBK", "UTF-8//IGNORE", $content);),我们这里讨论的是如何抓取开了Gzip的页面。怎么判断呢?获取的头部当中有Content-Encoding: gzip说明内容是GZIP压缩的。用FireBug看一下就知道页面开了gzip没有。下面是用firebug查看我的博客的头信息,Gzip是开了的。
2 |
Accept text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8 |
3 |
Accept-Encoding gzip, deflate |
4 |
Accept-Language zh-cn,zh;q=0.8,en-us;q=0.5,en;q=0.3 |
6 |
Cookie __utma=225240837.787252530.1317310581.1335406161.1335411401.1537; __utmz=225240837.1326850415.887.3.utmcsr=google|utmccn=(organic)|utmcmd=organic|utmctr=%E4%BB%BB%E4%BD%95%E9%A1%B9%E7%9B%AE%E9%83%BD%E4%B8%8D%E4%BC%9A%E9%82%A3%E4%B9%88%E7%AE%80%E5%8D%95%20site%3Awww.nowamagic.net; PHPSESSID=888mj4425p8s0m7s0frre3ovc7; __utmc=225240837; __utmb=225240837.1.10.1335411401 |
8 |
User-Agent Mozilla/5.0 (Windows NT 5.1; rv:12.0) Gecko/20100101 Firefox/12.0 |
下面介绍一些解决方案:
1. 使用自带的zlib库
如果服务器已经装了zlib库,用下面的代码可以轻易解决乱码问题。
1 |
$data = file_get_contents ( "compress.zlib://" . $url ); |
2. 使用CURL代替file_get_contents
1 |
function curl_get( $url , $gzip =false){ |
2 |
$curl = curl_init( $url ); |
3 |
curl_setopt( $curl , CURLOPT_RETURNTRANSFER, 1); |
4 |
curl_setopt( $curl , CURLOPT_CONNECTTIMEOUT, 10); |
5 |
if ( $gzip ) curl_setopt( $curl , CURLOPT_ENCODING, "gzip" ); // 关键在这里 |
6 |
$content = curl_exec( $curl ); |
3. 使用gzip解压函数
001 |
function gzdecode( $data ) { |
002 |
$len = strlen ( $data ); |
003 |
if ( $len < 18 || strcmp ( substr ( $data ,0,2), "\x1f\x8b" )) { |
004 |
return null; // Not GZIP format (See RFC 1952) |
006 |
$method = ord( substr ( $data ,2,1)); // Compression method |
007 |
$flags = ord( substr ( $data ,3,1)); // Flags |
008 |
if ( $flags & 31 != $flags ) { |
009 |
// Reserved bits are set -- NOT ALLOWED by RFC 1952 |
012 |
// NOTE: $mtime may be negative (PHP integer limitations) |
013 |
$mtime = unpack( "V" , substr ( $data ,4,4)); |
015 |
$xfl = substr ( $data ,8,1); |
016 |
$os = substr ( $data ,8,1); |
021 |
// 2-byte length prefixed EXTRA data in header |
022 |
if ( $len - $headerlen - 2 < 8) { |
023 |
return false; // Invalid format |
025 |
$extralen = unpack( "v" , substr ( $data ,8,2)); |
026 |
$extralen = $extralen [1]; |
027 |
if ( $len - $headerlen - 2 - $extralen < 8) { |
028 |
return false; // Invalid format |
030 |
$extra = substr ( $data ,10, $extralen ); |
031 |
$headerlen += 2 + $extralen ; |
037 |
// C-style string file NAME data in header |
038 |
if ( $len - $headerlen - 1 < 8) { |
039 |
return false; // Invalid format |
041 |
$filenamelen = strpos ( substr ( $data ,8+ $extralen ), chr (0)); |
042 |
if ( $filenamelen === false || $len - $headerlen - $filenamelen - 1 < 8) { |
043 |
return false; // Invalid format |
045 |
$filename = substr ( $data , $headerlen , $filenamelen ); |
046 |
$headerlen += $filenamelen + 1; |
052 |
// C-style string COMMENT data in header |
053 |
if ( $len - $headerlen - 1 < 8) { |
054 |
return false; // Invalid format |
056 |
$commentlen = strpos ( substr ( $data ,8+ $extralen + $filenamelen ), chr (0)); |
057 |
if ( $commentlen === false || $len - $headerlen - $commentlen - 1 < 8) { |
058 |
return false; // Invalid header format |
060 |
$comment = substr ( $data , $headerlen , $commentlen ); |
061 |
$headerlen += $commentlen + 1; |
066 |
// 2-bytes (lowest order) of CRC32 on header present |
067 |
if ( $len - $headerlen - 2 < 8) { |
068 |
return false; // Invalid format |
070 |
$calccrc = crc32( substr ( $data ,0, $headerlen )) & 0xffff; |
071 |
$headercrc = unpack( "v" , substr ( $data , $headerlen ,2)); |
072 |
$headercrc = $headercrc [1]; |
073 |
if ( $headercrc != $calccrc ) { |
074 |
return false; // Bad header CRC |
079 |
// GZIP FOOTER - These be negative due to PHP's limitations |
080 |
$datacrc = unpack( "V" , substr ( $data ,-8,4)); |
081 |
$datacrc = $datacrc [1]; |
082 |
$isize = unpack( "V" , substr ( $data ,-4)); |
085 |
// Perform the decompression: |
086 |
$bodylen = $len - $headerlen -8; |
088 |
// This should never happen - IMPLEMENTATION BUG! |
091 |
$body = substr ( $data , $headerlen , $bodylen ); |
096 |
// Currently the only supported compression method: |
097 |
$data = gzinflate( $body ); |
100 |
// Unknown compression method |
104 |
// I'm not sure if zero-byte body content is allowed. |
105 |
// Allow it for now... Do nothing... |
108 |
// Verifiy decompressed size and CRC32: |
109 |
// NOTE: This may fail with large data sizes depending on how |
110 |
// PHP's integer limitations affect strlen() since $isize |
111 |
// may be negative for large sizes. |
112 |
if ( $isize != strlen ( $data ) || crc32( $data ) != $datacrc ) { |
113 |
// Bad format! Length or CRC doesn't match! |
使用:
就介绍这三个方法,应该能解决大部分gzip引起的抓取乱码问题了。
- 简易数据分析 12 | Web Scraper 翻页——抓取分页器翻页的网页
这是简易数据分析系列的第 12 篇文章. 前面几篇文章我们介绍了 Web Scraper 应对各种翻页的解决方法,比如说修改网页链接加载数据.点击"更多按钮"加载数据和下拉自动加载 ...
- htmlunit抓取js执行后的网页源码
上次我不是写了一个自动抓取博客访问量吗 (点击打开链接) 可是昨天晚上我又运行的时候,发现不能用了.. 运行了几次 发现使用URLConnection 得到的网页源码和浏览器直接查看的不同. URLC ...
- Java HttpURLConnection 抓取网页内容 解析gzip格式输入流数据并转换为String格式字符串
最近GFW为了刷存在感,搞得大家是头晕眼花,修改hosts 几乎成了每日必备工作. 索性写了一个小程序,给办公室的同事们分享,其中有个内容 就是抓取网络上的hosts,废了一些周折. 我是在一个博客上 ...
- Scrapy爬虫框架教程(四)-- 抓取AJAX异步加载网页
欢迎关注博主主页,学习python视频资源,还有大量免费python经典文章 sklearn实战-乳腺癌细胞数据挖掘 https://study.163.com/course/introduction ...
- Python3抓取javascript生成的html网页
用urllib等抓取网页,只能读取网页的静态源文件,而抓不到由javascript生成的内容. 究其原因,是因为urllib是瞬时抓取,它不会等javascript的加载延迟,所以页面中由javasc ...
- 网络包抓取开发包 Npcap
Npcap 是 Nmap 项目的网络包抓取库在 Windows 下的版本. Npcap 是致力于采用 Microsoft Light-Weight Filter (NDIS 6 LWF) 技术和 Wi ...
- python抓取历年特码开奖记录
背景: 小时候,有种游戏,两个主人公:白XX和曾XX,每个家庭把他俩像活菩萨一样供着,供他们吃,供他们穿 做生意的老板为了这两位活菩萨,关门大吉 农民为了这两位活菩萨卖牛卖田变卖家产 做官的为了这两位 ...
- 如何让Python爬虫一天抓取100万张网页
前言 文的文字及图片来源于网络,仅供学习.交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理. 作者: 王平 源自:猿人学Python PS:如有需要Python学习资料的 ...
- Java---网络蜘蛛-网页邮箱抓取器~源码
刚刚学完Socket,迫不及待的做了这个网页邮箱抓取~~~ 现在有越来越多的人热衷于做网络爬虫(网络蜘蛛),也有越来越多的地方需要网络爬虫,比如搜索引擎.资讯采集.舆情监测等等,诸如此类.网络爬虫涉及 ...
随机推荐
- python3 练习题100例 (二十八)打印一定范围内的素数
题目内容: 给定一个大于2的正整数n,打印出小于n(不包括n且n不大于100)的所有素数. 要求将符合条件的输出填入一个列表中,打印的结果为该列表. 输入格式: 共一行,为一个大于2的正整数 输出格式 ...
- Python系列5之模块
模块 1. 模块的分类 模块,又称构件,是能够单独命名并独立地完成一定功能的程序语句的集合(即程序代码和数据结构的集合体). (1)自定义模块 自己定义的一些可以独立完成某个功能的一段程序语句,可以是 ...
- Less Is More【少即是多】
Less Is More Adults understand what it feels like to be flooed with objects. 成年人知道被物品淹没的感觉. Why do w ...
- 插头DP(基于连通性状态压缩的动态规划问题)(让你从入门到绝望)
今天,我,Monkey king 又为大家带来大(ju)佬(ruo)的算法啦!--插头DP 例题(菜OJ上的网址:http://caioj.cn/problem.php?id=1489): 那么,这道 ...
- C#中Equals和= =(等于号)的比较)(转载)
C#中Equals和= =(等于号)的比较) 相信很多人都搞不清Equals和 = =的区别,只是零星的懂一点,现在就让我带大家来进行一些剖析 一. 值类型的比较 对于值类型来说 ...
- 7.Mongodb复制(副本集)
1.复制 什么是复制 复制提供了数据的冗余备份,并在多个服务器上存储数据副本,提高了数据的可用性,并可以保证数据的安全性 复制还允许从硬件故障和服务中断中恢复数据 为什么要复制 数据备份 数据灾难恢复 ...
- Hbase读写流程和寻址机制
写操作流程 (1) Client通过Zookeeper的调度,向RegionServer发出写数据请求,在Region中写数据. (2) 数据被写入Region的MemStore,直到MemStore ...
- PRO*C 函数事例 3 -- 游标使用
1.Oracle中的游标 Oracle使用两种游标: 显式游标和隐式游标. 不管语句返回多少条记录, Oracle为每条使用的SQL语句隐式地定义一个游标. Oracle为每个DELETE , ...
- springmvc+mybatis的两种配置和应用方式
一.不用写dao层实现的方式 1.导入依赖包,我的pom.xml文件配置如下: <project xmlns="http://maven.apache.org/POM/4.0.0&qu ...
- eclipse 列编辑
ALT + SHIFT +A 进入列编辑模式,可以一次性操作多行列. 再次按住 ALT + SHIFT +A 则退出列编辑模式.