请求模块编码提供不同的编码然后 HTML 编码

Question

请求模块encoding提供的编码与HTML页面

中的实际设置编码不同

代码：

import requests
URL = "http://www.reynamining.com/nuevositio/contacto.html"
obj = requests.get(URL, timeout=60, verify=False, allow_redirects=True)
print obj.encoding

输出：

ISO-8859-1

其中 HTML 中设置的实际编码是 UTF-8 content="text/html; charset=UTF-8"

我的问题是：

为什么 requests.encoding 显示的编码与 HTML 页面中描述的编码不同？

我正在尝试使用此方法将编码转换为 UTF-8 objReq.content.decode(encodes).encode("utf-8")，因为当我使用 ISO-8859-1 解码并使用 UTF-8 编码时它已经在 UTF-8 中值得到改变即）á对此Ã

的改变

有什么方法可以将所有类型的编码转换为 UTF-8 吗？

Answer 1

请求将首先检查 HTTP header:

中的编码

print obj.headers['content-type']

输出：

text/html

没有正确解析编码猜测的类型，因此它指定了默认的 ISO-8859-1。

在 docs 中查看更多信息。

Answer 2

当您有 text/* 响应并且未在响应 中指定内容类型 header 时，请求将 response.encoding 属性设置为 ISO-8859-1 s.

见Encoding section of the Advanced documentation:

The only time Requests will not do this is if no explicit charset is present in the HTTP headers and the Content-Type header contains text. In this situation, RFC 2616 specifies that the default charset must be ISO-8859-1. Requests follows the specification in this case. If you require a different encoding, you can manually set the Response.encoding property, or use the raw Response.content.

大胆强调我的。

您可以通过在 Content-Type header:

中查找 charset 参数来对此进行测试

resp = requests.get(....)
encoding = resp.encoding if 'charset' in resp.headers.get('content-type', '').lower() else None

您的 HTML 文档在 <meta> header 中指定了内容类型，并且正是这个 header 是权威的：

<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />

HTML5还定义了一个<meta charset="..." />标签，见<meta charset="utf-8"> vs <meta http-equiv="Content-Type">

如果 HTML 页面包含使用不同编解码器的 header，您应该不将 HTML 页面重新编码为 UTF-8。在这种情况下，您至少必须 更正 header。

使用BeautifulSoup:

# pass in explicit encoding if set as a header
encoding = resp.encoding if 'charset' in resp.headers.get('content-type', '').lower() else None
content = resp.content
soup = BeautifulSoup(content, from_encoding=encoding)
if soup.original_encoding != 'utf-8':
    meta = soup.select_one('meta[charset], meta[http-equiv="Content-Type"]')
    if meta:
        # replace the meta charset info before re-encoding
        if 'charset' in meta.attrs:
            meta['charset'] = 'utf-8'
        else:
            meta['content'] = 'text/html; charset=utf-8'
    # re-encode to UTF-8
    content = soup.prettify()  # encodes to UTF-8 by default

同样，其他文档标准也可能指定特定的编码；例如，XML 始终是 UTF-8，除非由 <?xml encoding="..." ... ?> XML 声明指定，这也是文档的一部分。

Answer 3

请求 replies on HTTP Content-Type 响应 header 和 chardet。对于 text/html 的常见情况，它假定默认值为 ISO‌-8859-1。问题是 Requests 对 HTML 元标记一无所知，它可以指定不同的文本编码，例如<meta charset="utf-8"> 或 <meta http-equiv="content-type" content="text/html; charset=UTF‌-8">.

一个好的解决方案是使用 BeautifulSoup 的“Unicode, Dammit”功能，如下所示：

from bs4 import UnicodeDammit
import requests


url = 'http://www.reynamining.com/nuevositio/contacto.html'
r = requests.get(url)

dammit = UnicodeDammit(r.content)
r.encoding = dammit.original_encoding

print(r.text)

请求模块编码提供不同的编码然后 HTML 编码

Requests module encoding provides different encode then HTML encode

python

content-encoding

python-requests