在我們用python3爬取一些網(wǎng)站時(shí)，獲取網(wǎng)頁(yè)url后進(jìn)行解析，在采用decode('utf-8')解碼時(shí)有時(shí)候會(huì)出現(xiàn)utf-8無(wú)法解碼的問(wèn)題，比如結(jié)果會(huì)提示：
Unicode Decode Error: 'utf8' codec can't decode byte 0xb2 in position 0: invalid start byte
這是因?yàn)橛行┚W(wǎng)站進(jìn)行了gzip壓縮，最典型的就是sina，進(jìn)行網(wǎng)頁(yè)爬蟲經(jīng)常出現(xiàn)這個(gè)問(wèn)題，那么為什么要壓縮呢？搜狗百科解釋為：
HTTP協(xié)議上的GZIP編碼是一種用來(lái)改進(jìn)WEB應(yīng)用程序性能的技術(shù)。大流量的WEB站點(diǎn)常常使用GZIP壓縮技術(shù)來(lái)讓用戶感受更快的速度。這一般是指WWW服務(wù)器中安裝的一個(gè)功能，當(dāng)有人來(lái)訪問(wèn)這個(gè)服務(wù)器中的網(wǎng)站時(shí)，服務(wù)器中的這個(gè)功能就將網(wǎng)頁(yè)內(nèi)容壓縮后傳輸?shù)絹?lái)訪的電腦瀏覽器中顯示出來(lái).一般對(duì)純文本內(nèi)容可壓縮到原大小的40%.這樣傳輸就快了，效果就是你點(diǎn)擊網(wǎng)址后會(huì)很快的顯示出來(lái).當(dāng)然這也會(huì)增加服務(wù)器的負(fù)載*. *一般服務(wù)器中都安裝有這個(gè)功能模塊的。
我們?cè)诖蜷_(kāi)某個(gè)新浪網(wǎng)頁(yè)，點(diǎn)擊右鍵選擇“檢查”，然后Network》All》Headers下的“Request Headers”中就會(huì)發(fā)現(xiàn)這個(gè)字樣：
Accept-Encoding:gzip, deflate, sdch
這個(gè)問(wèn)題有的建議：“看一下設(shè)置的header是否存在 'Accept-Encoding':' gzip, deflate',這一句話，如果存在，刪除即可解決?！?，但是有時(shí)候header不存在這個(gè)代碼，怎么刪除？如下，我們以打開(kāi)某個(gè)新浪新聞網(wǎng)頁(yè)為例：
import BeautifulSoup
url=’http://news.sina.com.cn/c/nd/2017-02-05/doc-ifyafcyw0237672.shtml’req = urllib.request.Request(url)req.add_header('User-Agent', 'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.22 Safari/537.36 SE 2.X MetaSr 1.0')
page = urllib.request.urlopen(req) # 模仿瀏覽器登錄
txt = page.read().decode('utf-8')
soup = BeautifulSoup(txt, 'lxml')
title =soup.select('#artibodyTitle')[0].text
print(title)```
在run之后仍會(huì)出現(xiàn)問(wèn)題，當(dāng)把*decode('utf-8')*去掉后得到的頁(yè)面是亂碼的。因此，解決的辦法不是如此。
在這里有兩種解決辦法：（1）采用gzip庫(kù)解壓網(wǎng)頁(yè)再解碼；（2）使用requests庫(kù)解析網(wǎng)頁(yè)而不是urllib。
（1）的解決辦法為：在“txt = page.read()”頁(yè)面讀取之后，再加入下面這個(gè)命令：
txt=gzip.decompress(txt).decode('utf-8')
（2）的解決辦法為：
```import requests
import gzip
url="http://news.sina.com.cn/c/nd/2017-02-05/doc-ifyafcyw0237672.shtml"
req = requests.get(url)req.encoding= 'utf-8'```
這是對(duì)網(wǎng)頁(yè)用設(shè)置為‘utf-8’的格式，但是這里模擬瀏覽器登錄需采用這種方式：
headers = { 'Host': 'blog.csdn.net', 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:43.0) Gecko/20100101 Firefox/43.0', 'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8', 'Accept-Language': 'zh-CN,zh;q=0.8,en-US;q=0.5,en;q=0.3', ….}
綜合以上，我們看一下結(jié)果：
***錯(cuò)誤的方式***
***Gzip******解壓方式***
***Requests******的讀取網(wǎng)頁(yè)方式***
