手记

Node.js 爬虫程序汉字乱码的原因:buffer 的拼接问题!

Node.js 爬虫程序汉字乱码的原因:如果确定字符编码没有问题,那么就是buffer 的拼接问题!

例如以下写法:

var data = "";
res.on("data" , function(chunk){
    data += chunk;
});

如果爬取的数据的中文数据量比较小,一般显示是正常的。但当爬取的数据量较大时,很有可能出现部分汉字会乱码现象。

产生原因:
在默认的情况下 trunk 是一个 Buffer 对象,而 data += trunk 的实质上隐藏了 toString 的变换的:

data = data.toString() + trunk.toString();

由于汉字不是用一个字节来存储的,如果某一块 buffer 传输的恰好不完整,将会导致有被截破的汉字的存在,于是出现乱码。

解决方法:
先用一个数组把所有 buffer 保存起来,同时记录 buffer 的总长度。
数据传输完毕的时,再通过 Buffer.concat 方法把所有 buffer 拼接。
最后,用 toString 方法转成字符串,这时获取的 data 数据就是正确的了。

var chunks = [], size = 0;
res.on("data" , function(chunk){
    chunks.push(chunk);
    size += chunk.length;
});
res.on("end" , function(){
    var buffer = Buffer.concat(chunks, size);
    var html = buffer.toString();
});

// 在更细腻的连接方式:

res.on('end', function () {
    var buffer = null;
    switch(buffers.length) {
        case 0:
            buffer = new Buffer(0);
            break;
        case 1:
            buffer = buffers[0];
            break;
        default:
            buffer = new Buffer(size);
            for (var i = 0, pos = 0, l = buffers.length; i < l; i++) {
                var chunk = buffers[i];
                chunk.copy(buffer, pos);
                pos += chunk.length;
            }
        break;
    }
    var html = buffer.toString();
});
4人推荐
随时随地看视频
慕课网APP

热门评论

http://img.mukewang.com/5794ac650001297207030533.jpg你的这两种方法都试了,还是不行。。。

查看全部评论