Question

我在Python中使用urllib和urllib2来打开和阅读网页但有时候，我得到的文字是不可读的。例如，如果我运行它：

import urllib

text = urllib.urlopen('http://tagger.steve.museum/steve/object/141913').read()
print text

我收到一些不可读的文字。我看过这些帖子：

Gibberish from urlopen

Does python urllib2 automatically uncompress gzip data fetched from webpage?

但似乎找不到我的答案。

提前感谢您的帮助！

更新：我通过“说服”服务器我的用户代理是浏览器而不是爬虫来解决问题。

import urllib

class NewOpener(urllib.FancyURLopener):
  version = 'Mozilla/5.0 (X11; Linux i686) AppleWebKit/535.2 (KHTML, like Gecko) Ubuntu/11.10 Chromium/15.0.874.120 Chrome/15.0.874.120 Safari/535.2'

nop = NewOpener()
html_text = nop.open('http://tagger.steve.museum/steve/object/141913').read()

谢谢大家的回复。

Answer 1

这个乱码是对'http://tagger.steve.museum/steve/object/141913'请求的真实服务器响应。实际上，它看起来像混淆的JavaScript，如果由浏览器执行，则会加载页面内容。

要获取此内容，您需要执行此JavaScript，这在Python中可能是一项非常困难的任务。如果您仍想这样做，请查看pywebkitgtk。

Answer 2

您可以使用Selenium来获取内容。下载服务器和客户端驱动程序，运行服务器并运行：

from selenium import selenium
s = selenium("localhost", 4444, "*chrome", "http://tagger.steve.museum")
s.start()

s.open("/steve/object/141913")

text = s.get_html_source()
print text

为什么从页面检索的文本有时看起来像乱码？

2 个答案: