python urllib2返回垃圾

Question

我正在尝试使用python下载一个网页并访问页面上的一些元素.我下载页面时遇到问题:内容是垃圾.这是页面的第一行:

‹í}évÛH²æïòSd±ÏmÉ·’¸–%ÕhµÕ%ÙjI¶«JããIÐ(‰îî{æ1æ÷¼Æ¼Í}’ù"à""’‚d÷t»N‰$–\"ãˈŒˆŒÜøqïíîùï'û¬¼­gôÁnžm–úq<ü¹R¹¾¾._›å ìUôv»]¹¡gJÌqÃÍ’‡%z‹[ÎÖ3†[(,jüËȽÚ,í~ÌýX;y‰Ùò×f)æ7q…JzÉì¾F<ÞÅ]­Uª

这个问题只发生在以下网站:http://kickass.to.是否有可能他们以某种方式保护他们的页面？这是我的python代码:

import urllib2
import chardet
url = 'http://kickass.to/'
user_agent = 'Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10_6_4; en-US) AppleWebKit/534.3 (KH
TML, like Gecko) Chrome/6.0.472.63 Safari/534.3'
headers = { 'User-Agent' : user_agent }
req = urllib2.Request(url, None, headers)
response = urllib2.urlopen(req)
page = response.read()
f = open('page.html','w')
f.write(page)
f.close()
print response.headers['content-type']
print chardet.detect(page)

结果:

text/html; charset=UTF-8
{'confidence': 0.0, 'encoding': None}

它看起来像编码问题,但chardet检测到'无'..任何想法？

Answer 1

此页面以gzip编码方式返回.

(尝试打印response.headers['content-encoding']以验证这一点.)

很可能该网站不尊重请求中的"Accept-Encoding"字段,并建议客户端支持gzip(大多数现代浏览器都支持).

urllib2不支持放气,但你可以使用gzip模块,例如在这个线程中描述:python urllib2是否自动解压缩从网页获取的gzip数据？.