一、 引言
在《第14.6节 Python模拟浏览器访问网页的实现代码》介绍了使用urllib包的request模块访问网页的方法。但上节特别说明http报文头Accept-Encoding最好不设置,否则服务端会根据该字段及服务端的情况采用对应方式压缩http报文体,如果爬虫应用没有解压支持会导致应用无法识别收到的响应报文体。本节简单介绍一下怎么处理响应报文体的压缩。
在爬虫爬取网页时,如果在请求头中传递了“‘Accept-Encoding’:‘gzip’”信息则服务器会采用gzip压缩报文,此时客户端必须支持对报文解压缩才能识别报文。解gzip压缩需要安装gzip模块,并在服务器返回http应答报文时判断服务端是否压缩了报文,如果压缩了就进行解压处理,否则直接读取。

二、 对HTTP响应报文的报文体支持压缩处理的爬虫处理步骤
要进行响应HTTP报文体的压缩,爬虫应用需要进行如下处理:
1、 在请求报文的http报文头中的Accept-Encoding中设置能支持的压缩格式;
2、 读取响应报文后要判断响应报文头中的Content-Encoding的返回值的压缩格式;
3、 调用对应的解压方法进行报文体解压。

三、 案例
1、 导入相关模块:
import urllib.request
from io import BytesIO
import gzip

2、 构造支持压缩的请求报文头
本节在《第14.5节 利用浏览器获取的http信息构造Python网页访问的http请求头》的mkhead函数的基础上,增加一个参数来确认是否需要处理压缩报文,如果是则通过http报文头的Accept-Encoding参数向服务器告知支持的压缩格式,否则不设置压缩格式支持的请求报文头Accept-Encoding参数,代码如下:

def mkhead(NeedEncoding=False):
    if NeedEncoding:
        header = {'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3',
        'Accept-Encoding':'gzip',
        'Accept-Language':'zh-CN,zh;q=0.9',
        'Connection':'keep-alive',
        'Cookie':'uuid_tt_dd=10_35489889920-1563497330616-876822;......',
        'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.100 Safari/537.36'}
    else:
        header = {'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3',
        'Accept-Language':'zh-CN,zh;q=0.9',
        'Connection':'keep-alive',
        'Cookie':'uuid_tt_dd=10_35489889920-1563497330616-876822;......',
        'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.100 Safari/537.36'}
        
    return header

3、 读取响应报文后取响应报文头中的Content-Encoding的返回值的压缩格式

req = urllib.request.Request(url=site,headers=header)
   sitersp = urllib.request.urlopen(req)
   Encoding = sitersp.info().get('Content-Encoding')  #取响应报文体的压缩格式

4、 根据压缩对应情况进行处理后返回报文体的内容,如果是gzip压缩就调用gzip解压,如果未压缩就不进行解压处理,否则报错返回:

if  Encoding== 'gzip':  #判断压缩格式是否gzip格式
        print(" Encoding== 'gzip'")
        buf = BytesIO(sitersp.read())
        fzip = gzip.GzipFile(fileobj=buf)
        return fzip.read().decode()
    elif not Encoding:  #是否没有压缩报文体
        print(" Encoding==None")
        return sitersp.read().decode()
    else:
        print(f"Content-Encoding={Encoding},can't unzip")
        return None

四、 案例完整代码

#读取压缩http响应报文
import urllib.request
from io import BytesIO
import gzip
   
def mkhead(NeedEncoding=False):
    if NeedEncoding:
        header = {'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3',
        'Accept-Encoding':'gzip',
        'Accept-Language':'zh-CN,zh;q=0.9',
        'Connection':'keep-alive',
        'Cookie':'uuid_tt_dd=10_35489889920-1563497330616-876822;...... ',
        'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.100 Safari/537.36'}
    else:
        header = {'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3',
        'Accept-Language':'zh-CN,zh;q=0.9',
        'Connection':'keep-alive',
        'Cookie':'uuid_tt_dd=10_35489889920-1563497330616-876822;......',
        'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.100 Safari/537.36'}
        
    return header 


def readweb(site):
    header = mkhead(True)
    try:
        req = urllib.request.Request(url=site,headers=header)
        sitersp = urllib.request.urlopen(req)
    except Exception as e:
        print(e)
        return None
    Encoding = sitersp.info().get('Content-Encoding')
    if  Encoding== 'gzip':
        print(" Encoding== 'gzip'")
        buf = BytesIO(sitersp.read())
        fzip = gzip.GzipFile(fileobj=buf)
        return fzip.read().decode()
    elif not Encoding:
        print(" Encoding==None")
        return sitersp.read().decode()
    else:
        print(f"Content-Encoding={Encoding},can't unzip")
        return None

       
readweb(r' ')[0:100]

执行结果:

>>> readweb(r' ')[0:100]
 Encoding== 'gzip'
'<!DOCTYPE html>\n<html lang="zh-CN">\n<head>\n    <meta charset="UTF-8">\n    <link rel="canonical" href'
>>>

注意:代码中的cookie设置可以不要,那就是匿名爬取网页,如果需要非匿名则需要根据自己浏览器的cookie来设置。

本节介绍了使用urllib包的request模块读取网页并支持解压的实现过程,以支持网页内容的压缩传输。