OC现在有自动的抓取技术新闻的功能,这个系统已经运行1个多月了,抓了几千条新闻。但是最近突然出现大量的内容乱码的问题。
因为OC的抓取流程是先抓取英文的新闻,然后用google 翻译来翻译成中文。所以一开始以为是google翻译出了问题,比如返回了什么错误页面,直接保存造成的错误。
但是经过检查,内容在翻译之前,英文版本的时候就已经是错误的了。
那么问题应该是抓取的时候就有的。抓取的代码是非常简单的python代码:
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/111.0.0.0 Safari/537.36",
"Accept-Language": "en-US,en;q=0.9",
"Accept-Encoding": "gzip, deflate, br",
"Connection": "keep-alive",
}
session = requests.Session()
try:
response = session.get(url, headers=headers, timeout=30)
# encoding = response.headers.get("Content-Encoding", "")
# # 输出服务器返回的压缩类型
# print(f"Content-Encoding: {encoding}")
return response
except requests.exceptions.Timeout:
print("fetchContent 请求超时")
return None
except Exception as e:
print("fetchContent error:", e)
return None
这个代码按理说不应该有问题,打开注释输出了返回的压缩格式:
encoding = response.headers.get("Content-Encoding", "")
# 输出服务器返回的压缩类型
print(f"Content-Encoding: {encoding}")
发现出现乱码的都是br
格式。看来我的代码不支持br的解码。那么在 Accept-Encoding
部分去掉br
,一切问题就解决了。