爬虫中gbk网页内容的处理

　　有些网站仍在使用GBK编码，而JS内部字符编码使用Unicode来表示，node编写的爬虫须要作的转换是GBK->Unicode->utf-8,关于三者关系参考http://www.cnblogs.com/cy163/archive/2007/05/31/766886.html。

var request = require('request');
var cheerio = require('cheerio');
request('http://www.taobao.com/',function(err,res){
    if(err) throw err;
   var $ = cheerio.load(res.body.toString());
   console.log($('head title').text());  
});

　　上例输出空白，由于某宝网就是使用GBK编码，而node把GBK的页面内容看成Unicode编码，来UTF-8来处理。可使用iconv-lite模块来处理。

var request = require('request');
var cheerio = require('cheerio');
var iconv = require('iconv');
request({
    url:'http://www.taobao.com',
    encoding:null//设置抓取页面时不要对数据作任何转换
    },function(err,res,body){
    if(err) throw err;
    body = iconv.decode(body.'gbk');//转换gbk编码的页面内容
    var $ = cheerio.load(body);
   console.log($('head title').text());  
});

　　也可使用gbk模块来处理此问题

var cheerio = require('cheerio');
var gbk= require('gbk');
gbk.fetch('http://www.taobao.com/','utf-8').to('string',function(err,res,body){
    if(err) throw err;
    var $ = cheerio.load(body);
   console.log($('head title').text());  
});

　　此时打印出了页面标题。