python 爬虫编码(encoding和apparent_encoding)区别

一、代码案例(encoding)

1.相关代码：

import requests
# 发送GET请求到清华大学官网
url = 'https://www.tsinghua.edu.cn/'
response = requests.get(url)
encoding = response.encoding
# 获取并打印网页编码方式
print(f"网页编码方式：{encoding}")

2.打印结果：

二、代码案例(apparent_encoding)

1.相关代码：

import requests
# 发送GET请求到清华大学官网
url = 'https://www.tsinghua.edu.cn/'
response= requests.get(url)
encoding = response.apparent_encoding
# 获取并打印网页编码方式
print(f"网页编码方式：{encoding}")

2.打印结果

三、查看网页是什么编码方式

四、encoding和apparent_encoding两者表示的是什么以及区别

1.encoding和apparent_encoding的使用场景

requests.get() 函数在获取网页内容时，默认会尝试从HTTP响应头部的Content-Type字段中提取编码信息来设置response.encoding属性。然而，有时候服务器提供的编码信息可能不准确或者未提供，这时requests库会使用chardet库（如果已安装）来推测网页的实际编码，这推测出来的编码就是response.apparent_encoding。

2.encoding的使用

response.encoding 是根据HTTP响应头中的编码指示或者是通过chardet自动检测后赋给requests对象的编码属性。如果服务器报告的编码是ISO-8859-1，则response.encoding会被设置为ISO-8859-1。

3.apparent_encoding的使用

response.apparent_encoding 则是基于requests内部的字符集探测机制得出的编码，即使服务器没有明确指定或指定得不准确，它也会尽量给出一个最佳猜测的编码，这里推测出的是UTF-8-SIG。UTF-8-SIG是一种特殊的UTF-8编码，它前面带有一个BOM(Byte Order Mark)，主要用于标记文本文件的开始，表明其采用UTF-8编码且字节顺序是标准的（对于UTF-8来说字节顺序无关紧要，因为它是字节序无关的编码，但BOM仍然可能被用于标识文件类型）。

4.两者之间的区别

• response.encoding 更倾向于直接使用服务器声明的编码，如果没有则可能依赖于自动检测的结果。
• response.apparent_encoding 是requests库对实际内容做的更为直观的编码判断，通常用于解决服务器提供的编码信息不可靠的情况。

五、总结

如果两个属性返回不同的编码，通常建议优先考虑response.apparent_encoding，因为它可能是网页内容实际使用的编码。当然，在解析网页内容时，最好的做法是先检查和确认编码是否正确，必要时手动调整后再进行解析。