Python爬虫抓取多语言网页技巧

首先应正确识别网页字符编码以避免乱码，具体步骤包括：1. 使用chardet库自动检测响应内容编码；2. 优先读取HTTP响应头和HTML中meta标签的charset声明；3. 设置合理的请求头如User-Agent和Accept-Language，并利用response.apparent_encoding自动推断编码；4. 针对中文、日文、韩文等不同语言手动指定UTF-8、GBK、Shift_JIS等常见编码，结合try-except处理解码错误。关键在于主动适配真实编码而非依赖默认设置。

抓取多语言网页时，Python爬虫常遇到编码识别错误、文字乱码、字符集不一致等问题。关键在于正确识别网页的字符编码，并在请求和解析阶段做相应处理。以下是实用技巧，帮助你稳定抓取不同语言的网页内容。

1. 自动识别网页编码

很多网页没有明确声明编码，或声明与实际不符。使用 chardet 库可自动检测响应内容的编码方式。

import requests
import chardet

url = "https://example-foreign-language-site.com"
response = requests.get(url)

# 检测编码
detected = chardet.detect(response.content)
encoding = detected['encoding']
print(f"检测到的编码: {encoding}")

# 使用检测结果解码
text = response.content.decode(encoding)
print(text[:200])  # 打印前200字符

注意：某些网页可能压缩传输（如gzip），requests 通常会自动解压，但原始字节流才是检测编码的基础。

2. 尊重网页头部和HTML中的编码声明

优先使用HTTP响应头中的 Content-Type 字段，其次查看HTML中的 标签。

• 响应头示例：Content-Type: text/html; charset=utf-8
• HTML meta 示例：<meta charset="gb2312"> 或 <meta http-equiv="Content-Type" content="text/html; charset=Shift_JIS">

可结合 BeautifulSoup 提取 meta 编码信息：

from bs4 import BeautifulSoup

soup = BeautifulSoup(response.content, 'html.parser')
meta_charset = soup.find('meta', attrs={'charset': True})
if meta_charset:
    encoding = meta_charset.get('charset')
    print(f"Meta 声明编码: {encoding}")

3. 请求时设置合适的 headers 和编码

有些网站根据请求头返回不同编码的内容。添加合理的 User-Agent 和 Accept-Language 可提高兼容性。

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36',
    'Accept-Language': 'zh-CN,zh;q=0.9,en;q=0.8,ja;q=0.7'
}
response = requests.get(url, headers=headers)
response.raise_for_status()
response.encoding = response.apparent_encoding  # 让requests自动推断编码
text = response.text

requests 的 apparent_encoding 基于 chardet 实现，适合处理中文、日文、韩文等复杂编码。

4. 处理常见编码问题场景

不同语言常用编码：

• 中文：UTF-8、GB2312、GBK
• 日文：Shift_JIS、EUC-JP、UTF-8
• 韩文：EUC-KR、UTF-8
• 俄文：KOI8-R、Windows-1251

若手动指定编码，避免使用默认 decode()，应显式声明：

# 错误写法（可能出错）
text = response.content.decode()

# 正确写法
try:
    text = response.content.decode('utf-8')
except UnicodeDecodeError:
    text = response.content.decode('gbk', errors='ignore')

errors 参数可设为 'ignore'、'replace' 来跳过非法字符，防止程序中断。

基本上就这些。只要在请求、解码、解析三个环节处理好编码，Python 爬虫就能稳定抓取绝大多数多语言网页。关键是不要依赖默认行为，主动检测并适配真实编码。