爬虫爬到中文乱码该如何解决

Question

利用Node的cheerio插件去爬一个网站的新闻，结果发现从中获得的中文显示为“������ͼ��20140611����”乱码，求问如何解决，顺便求问不同转码格式的知识点；

Answer 1

首先肯定是确定要爬的页面的编码。如果是GBK的话就需要对爬过来的文字用iconv库做转化，在nodejs中变成UTF8。比如：

var request = require('request'),

    cheerio = require('cheerio'),

    Iconv = require('iconv').Iconv;

var iconv = new Iconv('GBK', 'UTF-8');

request(opts, function (err, response, body) {

    var result = iconv.convert(new Buffer(body, 'binary')).toString();

    var $ = cheerio.load(result);

    // ......

});