首页 > 代码库 > spider JAVA如何判断网页编码 (转载)

spider JAVA如何判断网页编码 (转载)

原文链接 http://www.cnblogs.com/nanxin/archive/2013/03/27/2984320.html

 

前言

  最近做一个搜索项目,需要爬取很多网站获取需要的信息。在爬取网页的时候,需要获得该网页的编码,不然的话会发现爬取下来的网页有很多都是乱码。

 

分析

  一般情况下,网页头信息会指定编码,可以解析header或者meta获得charset。但有时网页并没没有指定编码,这时就需要通过网页内容检测编码格式,通过调研,最好用的还是cpdetector。 

  cpdetector自动检测文本编码格式,谁先返回非空,就以该结果为字符编码。内置了一些常用的探测实现类,这些探测实现类的实例可以通过add方法加进来,如等,detector按照“谁先返回非空的探测结果,就以谁的结果为准”的原则返回探测到的字符集编码。

 

1、首先,可从header中解析charset

  网页头信息中的Content-Type会指定编码,如图:

  

  可以通过分析header,查找字符编码。

Map<String, List<String>> map = urlConnection.getHeaderFields();Set<String> keys = map.keySet();Iterator<String> iterator = keys.iterator();// 遍历,查找字符编码String key = null;String tmp = null;while (iterator.hasNext()) {    key = iterator.next();    tmp = map.get(key).toString().toLowerCase();    // 获取content-type charset    if (key != null && key.equals("Content-Type")) {        int m = tmp.indexOf("charset=");        if (m != -1) {            strencoding = tmp.substring(m + 8).replace("]", "");            return strencoding;        }    }}

 

2、其次,可从网页meta中解析出charset

  正常情况下,在写网页时,会指定网页编码,可在meta中读出来。如图:

  

  首先获取网页流,因为英文和数字不会乱码,可以解析meta,获得charset。

StringBuffer sb = new StringBuffer();String line;try {    BufferedReader in = new BufferedReader(new InputStreamReader(url            .openStream()));    while ((line = in.readLine()) != null) {        sb.append(line);    }    in.close();} catch (Exception e) { // Report any errors that arise    System.err.println(e);    System.err            .println("Usage:   java   HttpClient   <URL>   [<filename>]");}String htmlcode = sb.toString();// 解析html源码,取出<meta />区域,并取出charsetString strbegin = "<meta";String strend = ">";String strtmp;int begin = htmlcode.indexOf(strbegin);int end = -1;int inttmp;while (begin > -1) {    end = htmlcode.substring(begin).indexOf(strend);    if (begin > -1 && end > -1) {        strtmp = htmlcode.substring(begin, begin + end).toLowerCase();        inttmp = strtmp.indexOf("charset");        if (inttmp > -1) {            strencoding = strtmp.substring(inttmp + 7, end).replace(                    "=", "").replace("/", "").replace("\"", "")                    .replace("\‘", "").replace(" ", "");            return strencoding;        }    }    htmlcode = htmlcode.substring(begin);    begin = htmlcode.indexOf(strbegin);}

 

3、当使用1、2解析不出编码时,使用cpdetector根据网页内容探测出编码格式

  可以添加多个编码探测实例:

public static void getFileEncoding(URL url) throws MalformedURLException, IOException {    CodepageDetectorProxy codepageDetectorProxy = CodepageDetectorProxy.getInstance();        codepageDetectorProxy.add(JChardetFacade.getInstance());    codepageDetectorProxy.add(ASCIIDetector.getInstance());    codepageDetectorProxy.add(UnicodeDetector.getInstance());    codepageDetectorProxy.add(new ParsingDetector(false));    codepageDetectorProxy.add(new ByteOrderMarkDetector());    Charset charset = codepageDetectorProxy.detectCodepage(url);    System.out.println(charset.name());    }}

spider JAVA如何判断网页编码 (转载)