详解nodejs爬虫程序解决gbk等中文编码问题

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, base64, 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,gb2312,gbk。这里面gbk是完全兼容gb2312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16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：

<meta http-equiv="content-type" content="text/html; charset=utf-8"/>

或者

<meta charset=utf-8"/>

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。

res.on('data', function(data) {

  htmldata.push(data);
  htmldatalength += data.length;
 });
var bufferhtmldata = buffer.concat(htmldata,htmldatalength);

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。

decodehtmldata = iconv.decode(bufferhtmldata,'gbk');

var $ = cheerio.load(decodehtmldata, {decodeentities: false});

 $('title','head').each(function(i, e) {

  htmlheadtitle = $(e).text();
  console.log(htmlheadtitle);
 });

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

fromencoding: function(buf) {
          buf = ensurebuffer(buf);
          var idx = 0, len = 0,
            newbuf = new buffer(len*2),unicode,gbkcode;
          for (var i = 0, _len = buf.length; i < _len; i++, len++) {
            if (!!(buf[i] & 0x80)) {//the high bit is 1, so this byte is gbkcode's high byte.skip next byte
              i++;
            }
          }
          var newbuf = new buffer(len*2);
          for (var i = 0, j = 0, _len = buf.length; i < _len; i++, j++) {
            var temp = buf[i], gbkcode, unicode;
            if (temp & 0x80) {
              gbkcode = (temp << 8) + buf[++i];
              unicode = table[gbkcode] || iconv.defaultcharunicode.charcodeat(0);//not found in table, replace with defaultcharunicode
            }else {
              unicode = temp;
            }
            newbuf[j*2] = unicode & 0xff;//low byte
            newbuf[j*2+1] = unicode >> 8;//high byte
          }
          return newbuf.tostring('ucs2');
        }

可以看到最终返回的是newbuf.tostring(‘ucs2')字符串。

爬虫程序源码如下：

var cheerio = require('cheerio');
var http = require('http');
var iconv = require('iconv-lite');
var htmldata = [];
var htmldatalength = 0;
var count = 0;

http.globalagent = 'mozilla/5.0 (windows nt 6.1; rv:2.0.1) gecko/20100101 firefox/4.0.1';
http.get('http://www.cr173.com', function(res) {

 res.on('data', function(data) {

  htmldata.push(data);
  htmldatalength += data.length;
  count ++;
 });

 res.on('end',function(){

  callback(htmldata);
 });

});

function callback(htmldata){

 console.log(count);
 var bufferhtmldata = buffer.concat(htmldata,htmldatalength);
 var charset = '';
 var decodehtmldata;
 var htmlheadtitle = '';
 var htmlheadcharset = '';
 var htmlheadcontent = '';
 var index = 0;

 var $ = cheerio.load(bufferhtmldata, {decodeentities: false});

 $('meta','head').each(function(i, e) {

  htmlheadcharset = $(e).attr('charset');
  htmlheadcontent = $(e).attr('content');

  if(typeof(htmlheadcharset) != 'undefined'){

   charset = htmlheadcharset;
  }

  if(typeof(htmlheadcontent) != 'undefined'){

   if(htmlheadcontent.match(/charset=/ig)){

    index = htmlheadcontent.indexof('=');
    charset = htmlheadcontent.substring(index+1);
   }
  }
 });

 //此处为什么需要对整个网页进行转吗，是因为cheerio这个组件不能够返回buffer,iconv则无法转换之
 if(charset.match(/gb/ig)){

  decodehtmldata = iconv.decode(bufferhtmldata,'gbk');
 }
 else{//因为有可能返回的网页中不存在charset字段，因此默认都是按照utf8进行处理

  decodehtmldata = iconv.decode(bufferhtmldata,'utf8');
 }

 var $ = cheerio.load(decodehtmldata, {decodeentities: false});

 $('title','head').each(function(i, e) {

  htmlheadtitle = $(e).text();
  console.log(htmlheadtitle);
 });

 console.log(charset);

}

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。