获取网页乱码

Posted 2021-01-26 daysme

1.是用curl抓取的数据是用类似gzip压缩后的数据导致的乱码。
乱码：curl www.1ting.com |more
乱码：curl -H "Accept-Encoding: gzip"www.1ting.com | more
不乱码：curl -H "Accept-Encoding: gzip"www.1ting.com | gunzip | more

不乱码：curl www.1616.net |more
乱码：curl -H "Accept-Encoding: gzip"www.1616.net | more
不乱码：curl -H "Accept-Encoding: gzip"www.1616.net | gunzip | more

下面的a,b解释的是www.1ting.com，c,d解释是的www.1616.net
a.某个url，如果用不加任何选项的curl命令抓取后乱码，在curl后面加上Accept-Encoding:gzip，后面不加gunzip，则抓取的数据会乱码。
b.某个url，如果用不加任何选项的curl命令抓取后乱码，在curl后面加上Accept-Encoding:gzip，后面加上gunzip，则抓取的数据不会乱码。

c.某个url，如果用不加任何选项的curl命令抓取后不乱码，在curl后面加上Accept-Encoding:gzip，后面不加gunzip，则抓取的数据会乱码。
d.某个url，如果用不加任何选项的curl命令抓取后不乱码，在curl后面加上Accept-Encoding:gzip，后面加上gunzip，则抓取的数据不会乱码。

小总：
也就是说在curl后面加上Accept-Encoding:gzip，再用gunzip解压缩，则基本上可以保存数据不乱码。

2.GBK或者UTF8汉字之类的乱码

iconv命令是运行于linux平台的文件编码装换工具。当我们在linux系统shell下通过curl命令或者wget命令获取一个网页的源代码，当网页的编码与当前操作系统坏境的设置的编码不同时，就会发现网页中有很多乱码。如在网页"meta"标签"charset"属性值设置为"gb2312"的http://www.baidu.com百度首页，在系统坏境变量"$LANG"值为"en_US.UTF-8"的linux系统即会产生中文乱码现象。这时我们可以尝试使用iconv命令进行编码装换，让中文不在是乱码。如下命令是处理百度在系统坏境变量"$LANG"值为"en_US.UTF-8"的linux系统乱码的问题的解决方案之一：

curlhttp://www.baidu.com|iconv -fgb2312 -t utf-8

当然，你也通过改变系统坏境变量与百度首页的"charset"值一致，也可以解决此乱码问题，如下命令：

set LANG="gb2312"

export LANG

curl http://www.baidu.com

iconv命令的详细语法:

iconv [选项..] [文件..]
选项：
-f 输入编码
-t 输出编码
-l 列出所有已知的编码
-o 输出文件

 

 

对比采用php CURL库的POST GETHEADER三种方法之间的差异

比较POST GETHEADER这三种方法的区别：

参数	POST	GET	HEADER
CURLOPT_URL	有	有	有
CURLOPT_POST	开启	关闭	关闭
CURLOPT_HTTPHEADER	如果有$header,则开启	如果有$header,则开启	如果有$header,则开启
CURLOPT_HEADER	False	False	True
CURLOPT_NOBODY	false	False	true
CURLOPT_POSTFILEDS	True	false	false

从上表中可以看出:

POST方法：开启POST连接，然后发送POST报文体。关闭HEADER和NOBODY

GET方法：关闭POST相关的选项，关闭NOBODYHEADER，仅仅只是开启curlopt_httpheader

HEADER方法：开启HEADER和NOBODY,关闭POST相关的选项。

应该说上述三种方法，一个明显的区别是，箱采用什么方法的时候，就开启对应的CURL选项。

CURL_HTTPHEADER与CUROPT_HEADER的区别：

前者是设置HTTP头部信息的一个数组

后者是将头文件的信息以数据流的方式输出

 

来源: https://www.xuebuyuan.com/1047685.html