Node.js抓取中文网页乱码问题和解决方法

Node.js 抓取非 utf-8 的中文网页时会出现乱码问题,比如网易的首页编码是 gb2312,抓取时会出现乱码


var request = require('request')  

var url = 'http://www.163.com'

request(url, function (err, res, body) {      console.log(body) })


可以使用 iconv-lite 来解决

安装


npm install iconv-lite  


同时我们顺带把 user-agent 修改一下,以防网站屏蔽:

var originRequest = require('request')  

var iconv = require('iconv-lite')  

var headers = {  

  'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.65 Safari/537.36'

}

function request (url, callback) {    var options = {     url: url,     encoding: null,     headers: headers   }   originRequest(options, callback) }

request(url, function (err, res, body) {      var html = iconv.decode(body, 'gb2312')     console.log(html) })

乱码问题解决

使用 cheerio 解析 HTML

cheerio 可以简单粗暴的理解为服务器端 jQuery 选择器,有了它,比正则要更加直观许多

安装


npm install cheerio  

request(url, function (err, res, body) {  

    var html = iconv.decode(body, 'gb2312')

    var $ = cheerio.load(html)

    console.log($('h1').text())

    console.log($('h1').html())

})


输出如下

网易

网易


那么问题来了,$('h1').html() 输出的代码是经过 Unicode 编码的,网易变成了网易,给我们的字符处理带来了一些麻烦

解决 cheerio .html() 「乱码」问题
查阅文档可知,可以关闭这个转换实体编码的功能


var $ = cheerio.load(html)  


改成

var $ = cheerio.load(html, {decodeEntities: false}) 


即可,完整代码如下:

var originRequest = require('request')  

var cheerio = require('cheerio')  

var iconv = require('iconv-lite')  

var headers = {  

  'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.65 Safari/537.36'

}

function request (url, callback) {    var options = {     url: url,     encoding: null,     headers: headers   }   originRequest(options, callback) }

var url = 'http://www.163.com'

request(url, function (err, res, body) {      var html = iconv.decode(body, 'gb2312')     var $ = cheerio.load(html, {decodeEntities: false})     console.log($('h1').text())     console.log($('h1').html()) })