nodejs爬虫遇到的乱码问题汇总

上一篇文章中使用nodejs程序解析了网页编码为gbk,gb2312,以及utf-8的情况，这里面有三种特殊的乱码情况需要单独的说明一下.

1，网页编码为utf-8,但是解析为乱码，代表网站为www.guoguo-app.com。

这个问题真是个逗逼问题，查看网页源码中给出的编码方式为utf8，如下：

<meta charset="utf-8">
<title>查快递</title>

由于解析出来的始终是乱码，我就抓包看了下，报文中的编码方式为gbk，果然我使用gbk的方式之后，得到的不再是乱码了。淘宝为了反爬虫也是操碎了新，但是我也很好奇这种方式是怎么实现的，知道的告诉我。

get / http/1.1
host: www.guoguo-app.com
connection: close

http/1.1 200 ok
date: thu, 06 apr 2017 01:56:23 gmt
content-type: text/html;charset=gbk
transfer-encoding: chunked
connection: close
vary: accept-encoding
vary: accept-encoding
content-language: zh-cn
server: tengine/aserver

1，网页编码为utf-8,解析为乱码情况二，代表网站http//andersonjiang.blog.sohu.com/

单纯的查看网页源码看不出任何毛病，于是我又抓了一次包，得到如下情形：

get / http/1.1
host: andersonjiang.blog.sohu.com
connection: close

http/1.1 200 ok
content-type: text/html; charset=gbk
transfer-encoding: chunked
connection: close
server: nginx
date: thu, 06 apr 2017 02:10:33 gmt
vary: accept-encoding
expires: thu, 01 jan 1970 00:00:00 gmt
rhost: 192.168.110.68@11177
pragma: no-cache
cache-control: no-cache
content-language: en-us
content-encoding: gzip
fss-cache: miss from 13539701.18454911.21477824
fss-proxy: powered by 9935166.11245896.17873234

andersonjiang.blog.sohu.com这个网站同时采用了transfer-encoding: chunked传输编码和content-encoding: gzip内容编码功能，由于nodejs爬虫没有gzip解包功能，因此该网站提取不到任何字段，即title和charset等。要想提取此类网站则要添加gzip解包功能。

下面两个网站www.cr173.com以及www.csdn.net是正常的抓包情况。

get / http/1.1
host: www.cr173.com
connection: close

http/1.1 200 ok
expires: thu, 06 apr 2017 02:42:20 gmt
date: thu, 06 apr 2017 02:12:20 gmt
content-type: text/html
last-modified: thu, 06 apr 2017 00:52:42 gmt
etag: "96a4141970aed21:0"
cache-control: max-age=1800
accept-ranges: bytes
content-length: 158902
accept-ranges: bytes
x-varnish: 1075189606
via: 1.1 varnish
x-via: 1.1 dxxz46:4 (cdn cache server v2.0), 1.1 oudxin15:1 (cdn cache server v2.0)
connection: close
get / http/1.1
host: www.csdn.net
connection: close

http/1.1 200 ok
server: openresty
date: thu, 06 apr 2017 02:18:59 gmt
content-type: text/html; charset=utf-8
content-length: 99363
connection: close
vary: accept-encoding
last-modified: thu, 06 apr 2017 02:10:02 gmt
vary: accept-encoding
etag: "58e5a37a-18423"
accept-ranges: bytes

3，网页编码为其他形式的编码，解析为乱码，例如：

（1）编码为big5，代表网站为 www.ruten.com.tw， www.ctgoodjobs.hk

（2）编码为shift_jis，代表网站为www.vector.co.jp，www.smbc.co.jp

（3）编码为windows-12，代表网站为www.tff.org，www.pravda.com.ua

（4）编码为euc-jp，代表网站为www.showtime.jp

（5）编码为euc-kr ，代表网站为www.incruit.com，www.samsunghospital.com，

由于iconv-lite的说明中支持如下的编码方式：

currently only a small part of encodings supported:

 all node.js native encodings: 'utf8', 'ucs2', 'ascii', 'binary', 'base64'.
 base encodings: 'latin1'
 cyrillic encodings: 'windows-1251', 'koi8-r', 'iso 8859-5'.
 simplified chinese: 'gbk', 'gb2313'.

other encodings are easy to add, see the source. please, participate
因此对于上述出现的网页编码，只有自己添加解码方式加以解决了。

总之要写一个通用的爬虫程序还有很长的路要走。