python爬虫爬取的页面使用了gzip压缩的问题
当在headers中加了一个Accept-encoding:......时,返回的页面可能是经过了压缩的;即使没有加这个属性,返回的网页也可能是经过了压缩的(服务器自动压缩的)
我在爬取笔趣阁的某个网页时就遇到了被gzip压缩了的网页
1 #-*-coding:utf-8 -*- 2 3 import time 4 import re 5 import gzip 6 import urllib.request 7 from bs4 import BeautifulSoup 8 from io import StringIO 9 # import StringIO 10 11 url = "http://www.shuquge.com/txt/5760/index.html" 12 header = {"User-Agent":"Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.70 Safari/537.36", "Accept-Encoding":""} 13 page = urllib.request.Request(url, headers = header) 14 gs = urllib.request.urlopen(page) 15 # gs = StringIO(gs) 16 # print(gs) 17 18 page_info = gzip.GzipFile(fileobj=gs) 19 20 page_info = page_info.read() 21 page_info = page_info.decode('utf-8') 22 print(page_info)
里面用了gzip模块,因为一开始看别人的博客以为要用到StringIO结果并不需要。
里面用到了gzip.GzipFile()方法,以及gzip对象的read()方法。