源码github地址在此,记得点星:
https://github.com/brandonxiang/get_html_deflate_gzip
做项目就伴随着一个问题--数据来源。在网络数据获取的过程,考虑到数据的动态下载需要爬虫。这也是必经之路吧。
我在运用urllib2做相当简单的爬虫入门实验的时候,出现编码以及压缩等问题。这一个坑很多人踩过,甚至有人处理编码问题会出现一种情况,就是5分钟开发完成,25分钟处理编码问题。更不用说数据压缩,数据会面目全非。网页压缩主要两种,区别可参考gzip和deflate的几点区别。
在这里用python举个栗子,小项目,用urllib2爬网页十分简单。
data = urllib2.urlopen(url).read()
网上有各种各样的解决数据压缩的方法。但是都没有很完美的解决方案。有些讲的是deflate,有的讲的是gzip。事实上,网页压缩技术采用deflate的网站已经很少,由于国内落后的网站还有一个很大保有量,特别是一些政府企事业的网站。我希望能提供一种两全齐美的解决方案。
import zlibdef deflate(data): try: return zlib.decompress(data, -zlib.MAX_WBITS) except zlib.error: return zlib.decompress(data)
两种压缩格式的解压方法有很大的差异。
from gzip import GzipFilefrom StringIO import StringIOdef gzip(data): buf = StringIO(data) f = gzip.GzipFile(fileobj=buf) return f.read()
通过对Content-Encoding
属性的判断,将两个方法结合在一起。
import urllib2from gzip import GzipFilefrom StringIO import StringIOimport zlibdef loadData(url): request = urllib2.Request(url) request.add_header('Accept-encoding', 'gzip,deflate') response = urllib2.urlopen(request) content = response.read() encoding = response.info().get('Content-Encoding') if encoding == 'gzip': content = gzip(content) elif encoding == 'deflate': content = deflate(content) return contentdef gzip(data): buf = StringIO(data) f = gzip.GzipFile(fileobj=buf) return f.read()def deflate(data): try: return zlib.decompress(data, -zlib.MAX_WBITS) except zlib.error: return zlib.decompress(data)def main(): url = "http://www.szxuexiao.com/" content = loadData(url) print contentif __name__ == '__main__': main()
转载,请表明出处。总目录Awesome GIS
转载,请表明出处。总目录后端记事本
联系客服