node.js - Node.JS 抓取编码？

Question

我正在使用 Node.JS 中的这个请求库来获取这个页面，并使用Cheerio解析正文。

调用$.html()解析后的响应正文显示页面的标题属性是：

<title>Le Relais de l'Entrec?te</title>

...应该是什么时候：

<title>Le Relais de l'Entrecôte</title>

我尝试将请求库的选项设置为 include encoding: 'utf8'，但这似乎并没有改变任何东西。

如何保留这些字符？

Answer 1

您可以使用iconv（或更好的 iconv-lite）进行转换本身，但要检测编码，您应该检查charset和jschardet模块。这是他们两个在行动的例子：

var charset = require('charset'),
    jschardet = require('jschardet'),
    Iconv = require('iconv').Iconv;

request.get({url: 'http://www.example.com', encoding: 'binary'}, function(err, res, body) {
    var enc = charset(res.headers, body) || jschardet.detect(body).encoding.toLowerCase();

    if(enc !== 'utf8') {
        var iconv = new Iconv(enc, 'UTF-8//TRANSLIT//IGNORE');
        body = iconv.convert(new Buffer(body, 'binary')).toString('utf8');
    }

    console.log(body);
});

---

Answer 2

该页面似乎使用 iso-8859-1 编码。你需要告诉你通过传递和使用类似node-iconv的东西来转换它来request交回一个未编码的缓冲区。encoding: null

如果您正在编写通用爬虫，则必须弄清楚如何检测遇到的每个页面的编码以正确解码，否则以下内容应该适用于您的情况：

var request = require('request');                                               
var iconv = require('iconv');                                                   

request.get({                                                                   
  url: 'http://www.relaisentrecote.fr',                                         
  encoding: null,                                                               
}, function(err, res, body) {                                                   
  var ic = new iconv.Iconv('iso-8859-1', 'utf-8');                              
  var buf = ic.convert(body);                                                   
  var utf8String = buf.toString('utf-8');  
  // .. do something with utf8String ..                                                                             
});