Node.js抓取中文網頁亂碼問題和解決方法

2019-11-20 13:11:13

字體：大中小

來源：轉載

供稿：網友

Node.js 抓取非 utf-8 的中文網頁時會出現亂碼問題，比如網易的首頁編碼是 gb2312，抓取時會出現亂碼

復制代碼代碼如下:

var request = require('request')
var url = 'http://www.163.com'

request(url, function (err, res, body) {
console.log(body)
})

可以使用 iconv-lite 來解決

安裝

復制代碼代碼如下:

npm install iconv-lite

同時我們順帶把 user-agent 修改一下，以防網站屏蔽：

復制代碼代碼如下:

var originRequest = require('request')
var iconv = require('iconv-lite')
var headers = {
'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'
}

function request (url, callback) {
var options = {
    url: url,
    encoding: null,
    headers: headers
}
originRequest(options, callback)
}

request(url, function (err, res, body) {
var html = iconv.decode(body, 'gb2312')
console.log(html)
})

亂碼問題解決

使用 cheerio 解析 HTML

cheerio 可以簡單粗暴的理解為服務器端 jQuery 選擇器，有了它，比正則要更加直觀許多

安裝

復制代碼代碼如下:

npm install cheerio  
request(url, function (err, res, body) {  
    var html = iconv.decode(body, 'gb2312')
    var $ = cheerio.load(html)
    console.log($('h1').text())
    console.log($('h1').html())
})

輸出如下

復制代碼代碼如下:

網易
网易

那么問題來了，$('h1').html() 輸出的代碼是經過 Unicode 編碼的，網易變成了网易，給我們的字符處理帶來了一些麻煩

解決 cheerio .html() 「亂碼」問題
查閱文檔可知，可以關閉這個轉換實體編碼的功能

復制代碼代碼如下:

var $ = cheerio.load(html)

改成

復制代碼代碼如下:

var $ = cheerio.load(html, {decodeEntities: false})

即可，完整代碼如下：

復制代碼代碼如下:

var originRequest = require('request')
var cheerio = require('cheerio')
var iconv = require('iconv-lite')
var headers = {
'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'
}

function request (url, callback) {
var options = {
    url: url,
    encoding: null,
    headers: headers
}
originRequest(options, callback)
}

var url = 'http://www.163.com'

request(url, function (err, res, body) {
    var html = iconv.decode(body, 'gb2312')
    var $ = cheerio.load(html, {decodeEntities: false})
    console.log($('h1').text())
    console.log($('h1').html())
})

上一篇：Node.js node-schedule定時任務隔多少分鐘執行一次的方法

下一篇：JS數組的常見用法實例