位置: 编程技术 - 正文
详解nodejs爬虫程序解决gbk等中文编码问题(nodejs爬虫技术)
编辑：rootadmin推荐整理分享详解nodejs爬虫程序解决gbk等中文编码问题(nodejs爬虫技术)，希望有所帮助，仅作参考，欢迎阅读内容。
文章相关热门搜索词:node爬取数据,node网络爬虫,node网络爬虫,node爬取数据,nodejs爬虫教程,nodejs爬虫教程,node js爬虫,nodejs爬虫框架crawler,内容如对您有帮助，希望把文章链接给更多的朋友！
使用nodejs写了一个爬虫的demo，目的是提取网页的title部分。
遇到最大的问题就是网页的编码与nodejs默认编码不一致造成的乱码问题。nodejs支持utf8, ucs2, ascii, binary, base, hex等编码方式，但是对于汉语言来说编码主要分为三种，utf-8,gb,gbk。这里面gbk是完全兼容gb的，因此在处理编码的时候主要就分为utf-8以及gbk两大类。（这是在没有考虑到其他国家的编码情况，比如日本的Shift_JIS编码等，同时这里这个iconv-lite模块支持的编码方法有限）。
首先说一下浏览器显示网页内容的时候是如何处理编码问题的。服务器和客户端进行通信，服务端将网页按照指定的编码方式（比如gbk）编码成为二进制码流（即我们使用wireshark抓包看到额进制码流）传送给我们的客户端。客户端则会根据网页源码中所规定的编码方式，由浏览器调用对应的解码器，将二进制码流解码后显示出来。而编码方式通常在网页中是如下内容表示：
或者
如果客户端是nodejs爬虫请求程序，由于nodejs默认的编码方式是utf-8，因此爬虫程序将接收到的二进制码流以字符串（默认方式utf-8）显示的时候则会显示乱码。这个时候需要将原始的二进制码流按照网页原来的编码方式解码，则不会出现乱码。
因此解决方法如下：
将接收到的网页源码以二进制的方式存储下来，处理二进制数据流使用Buffer全局对象。
然后对这些二进制的数据调用对应的解码程序。iconv-lite模块用于解码，cheerio模块用于解析网页内容。
上述bufferHtmlData为二进制码流，decodeHtmlData为将二进制码流通过gbk编码规则转换为unicode编码对应的数字（即usc2字节流），然后在转换为对应的字符串。下述为iconv-lite源码中解码部分，地址在这里:
可以看到最终返回的是newBuf.toString(‘ucs2')字符串。
爬虫程序源码如下：
标签: nodejs爬虫技术
本文链接地址:https://www.jiuchutong.com/biancheng/377918.html 转载请保留说明！
