爬虫系列：读取文档

上一篇文章我们介绍了如何通过 MySQL 存储 Python 爬虫采集的内容，以及使用Python 与 MySQL 交互，这篇文章我们介绍如何通过 Python 读取文档。

虽然互联网在20世纪60年代末期就已经以不同的形式出现，但是 HTML 直到1992年才问世。在此之前，互联网上基本就是收发邮件传输文件；今天看到的网页概念那时还没有。总之，互联网并不是一个 HTML 页面的集合。他是一个信息集合，而 HTML 文件只是展示信息的一个框架而已。如果我们的爬虫不能读取其他类型的文件，包括纯文本、PDF、图像、视频、邮件等，我们将会失去很大一部分数据。

本篇文章我将详细介绍文档处理的相关内容，包括把文件下载到文件夹里，以及读取文档并提取数据。同时介绍文档不同编码类型，让程序可以读取非英文 HTML 页面。

文档编码

文档编码是一种告诉程序——无论是计算机的操作系统还是 Python 代码——读取文档的规则。文档的编码方式通常可以根据文件的扩展名进行判断，虽然文件扩展名并不是由编码确定的，而是由开发者确定的。例如，如果我把 python_logo.jpg 存储为 python_logo.txt 不会出现任何问题，但当我使用文本编辑器打开的时候就有问题了。这种情况很少见，如果要正确的读取一个文档，必须知道它的扩展名。

从最底层的角度看，所有文档都是由0和1编码而成的。而在高层（贴近用户的层级）编码算法会定义“每个字符多少位”或“每个像素的颜色值用多少位”（图像文件里）之类的事情，在哪里你会遇到一些数据压缩算法或体积缩减算法，比如 PNG 图像编码格式（一种无损压缩的位图图形格式）。

虽然我们第一次处理这些非 HTML 格式的文件会觉得没有任何经验，但是只要安装了合适的库，Python 就可以帮你处理任意类型的文档。纯文本文件、视频文件和图像文件的唯一区别，就是他们的0和1面向用户的转换方式不同。

纯文本

虽然把文件存储为在线的纯文本格式并不常见，但是一些简易的网站，或者有大量纯文本文件的“旧式学术”（old-shcool）网站经常会这么做。例如，互联网工程任务组（Internet Engineering Task Force，IETF）网站就存储了 IETF 发表过的所有文档，包含 HTML、PDF 和纯文本格式（例如 https://datatracker.ietf.org/doc/html/rfc4437.txt）。大多数浏览器都可以很好的显示纯文本文件，采集这些纯文本文件的网站不会遇到什么问题。

下面一个 Python 读取纯文本示例，展示了如何读取 https://image.pdflibr.com/crawler/blog/tencent_cloud_ip_range.txt 地址的纯文本文件。

from requests import Session

class ReadDocument(object):

    def __init__(self):

        self._text_url = 'https://image.pdflibr.com/crawler/blog/tencent_cloud_ip_range.txt'

    def read_text_document(self):

        init_session = Session()

        response = init_session.get(url=self._text_url)

        response.encoding = 'utf-8'

        print(response.text)

if __name__ == '__main__':

    ReadDocument().read_text_document()

这段 Python 代码，我们直接读取文本内容，并对文本从新编码，如果使用原来的编码方式，显示为乱码。一旦纯文本被读取成字符串，你就只能用普通的 Python 字符串方法分析他了。当然这没做有个缺点，就是你不能对字符串使用 HTML 标签，去定位那些你真正需要的文字，避开那些你不需要的文字。如果你现在需要在纯文本里面找到你需要的信息还是有困难的。

文本编码和全球互联网

记得我前面说过，如果你想正确的读取一个文件，知道它的扩展名就可以了。不过非常奇怪的是，这条规则不能应用到最基本的文档格式：.txt 文件。

大多数时候前面的方法读取纯文本文件都没有问题。但是，护粮网上的文本文件会比较复杂。下面介绍一些英文和非英文编码的基础知识，包括 ASCII、Unicode 和 ISO 编码，以及应对的处理方法。

编码类型简介

20世纪90年代，一个叫 Unicode 联盟（The Unicode Consortium）的非盈利组织尝试将地球所有的用于书写的符号经行统一编码。其目标包括拉丁字母、斯拉夫字母、中国象形文字（象形）、数字和逻辑符号，甚至表情和“杂项”（misellaneous）符号，比如生化危机标记（☣）和和平符号（☮）等。

UTF-8（8-bit Unicode Transformation Format） 是一种针对 Unicode 的可变长度字符编码，也是一种前缀码。它可以用一至四个字节对 Unicode 字符集中的所有有效编码点进行编码，属于U nicode 标准的一部分，最初由肯·汤普逊和罗布·派克提出。

一个最常见的错误就是 UTF-8 把所有的字符都存储成8位。其实“8位”显示一个字符所需要的最小位数，而不是最大位数。（如果 UTF-8 的每个字符都是8位，，那一共只能存储2^8个字符，这对于中文和其他字符显然不够。）

真实情况是，UTF-8每个字符开头都有一个标记表示“这个字符只用一个字节”或“那个字符需要两个字节”，一个字符最多可以是四个字节。由于这四个字节里面还包含一部分设置信息，用来决定多少字节用来做字符编码，所以全部的32位（32位=4字节x8位/字节）并不都会用，其实最多使用21位，也就是总共2097152种可能里面可以有1114112个字符。

虽然对很多程序来说，Unicode 都是上帝的礼物（godsend）,但是有很多习惯都很难改变， ASCII 依然是许多英文用户的主要选择。

ASCII 是20世纪60年代开始使用的文字编码标准，每个字符7位，一共2^7，即128个字符。这个对于拉丁字母（包括大小写）、标点符号和英文键盘上的所有符号，都是够用的。

在20世纪60年代，存储的文件用7位编码和用8位编码之间的差异是巨大的，因为内存非常昂贵。当时，计算机科学家们为了需要增加一位获得一个漂亮的二进制数（用8位），还是在文件里用更少的位数（7位）费尽心机。最终，7位编码胜利了。但是，在新式计算方式中，每个7位码前面都补充（pad）了一个“0”，留给我们最坏的结果是，文件大了14%（编码由7为变成8位，体积增加了14%），并且由于只有128个字符，缺乏灵活性。

在 UTF-8 设计过程中，设计师决定利用 ASCII 文档里的“填充位”，让所有“0”开头的字节表示这个字符自用1个字节，从而把 ASCII 和 UTF-8 编码完美的结合在一起。因此，下面的字符在 ASCII 和 UTF-8 两种编码方式中都是有效的：

01000001 - A

01000010 - B

01000011 - C

除了 UTF-8，还有其他 UTF 标准，像 UTF-16、UTF-24、UTF-32，不过很少用这些编码标准对文件经行编码，所以在此不做过多介绍。

Python 编码示例

在上面的实例中我们通过 Python 的 requests 库读取了远程的文档内容，但是显示的是乱码，无法阅读，我们对文档内容重新设置编码，使其正常显示，示例如下：

from requests import Session

class ReadDocument(object):

    def __init__(self):

        self._text_url = 'https://image.pdflibr.com/crawler/blog/tencent_cloud_ip_range.txt'

    def read_text_document(self):

        init_session = Session()

        response = init_session.get(url=self._text_url)

        # 显示原来文本的编码方式

        print(response.encoding)

        # 将文本设置成 utf-8 的编码方式

        response.encoding = 'utf-8'

        print(response.text)

        # 显示改变编码后的编码方式

        print(response.encoding)

if __name__ == '__main__':

    ReadDocument().read_text_document()

上面的代码首先打印出了原来文档采用的编码方式，之后将文档重设成 UTF-8 的编码方式，之后再次打印文档内容，再次显示被编码后的文档编码。

你可能打算以后使用网络爬虫全部采用 UTF-8 编码读取内容，毕竟 UTF-8 也可以完美的处理 ASCII 编码。但是，要记住还有9%的网站使用 ISO 编码格式。所以在处理纯文本文档的时候，想用一种编码搞定所有文档是不可能的。有一些库可以检查文档的编码，或是对文档编码经行估计，不过效果并不是很好。

处理 HTML 的时候，网站其实会在 <head> 部分显示页面使用的编码格式。大多数网站，尤其是英文网站，都会带上这样的标签：

<meta http-equiv="Content-Type" content="text/html; charset=utf-8" />

如果你要做很多网络数据采集工作，尤其是面对国际网站时，建议先看看 meta 标签的内容，用网站推荐的方式读取页面内容。