Java获取网页编码

lxwt909

浏览: 570803 次
性别:
来自: 北京

最近访客更多访客>>

akingde

chenghu209

14252316

yinxin2745154

博主相关

博客

微博

相册

留言

关于我

文章分类

社区版块

存档分类

博客分类：

java base

Java icu4j charset

使用爬虫从网上抓取到一个网页内容，要想能正确显示，必须要获取网页的原始编码，否则会出现乱码。首先需要获取网页内容，最简单的办法就是通过JDK自带的HttpURLConnection类，要实现更复杂的抓取操作，请使用开源的爬虫框架，如Crawler4j,Web-Harvest,JSpider,WebMagic,Heritrix,Nutch等，我并不是来说爬虫相关技术的，只是网页内容的获取需要使用到爬虫技术，所以顺带提提有关爬虫的框架，具体你们自己去研究。这里为了简便起见，我就以JDK自带的HttpURLConnection类来抓取网页内容，抓取示例代码如下：

package com.yida.test;

import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStreamReader;
import java.net.HttpURLConnection;
import java.net.URL;
/**
 * 提取网页内容
 * @author Lanxiaowei
 *
 */
public class FetchWebPageTest {
    public static void main(String[] args) throws IOException {
        String charset = "UTF-8";
        String line = "";
        StringBuffer buffer = new StringBuffer();
        URL url = new URL("http://www.baidu.com");
        //开始访问该URL
        HttpURLConnection urlConnection = (HttpURLConnection)url.openConnection();
        //获取服务器响应代码
        int responsecode = urlConnection.getResponseCode();
        String contentType = urlConnection.getContentType();
        //打印出content-type值，然后就可以从content-type中提取出网页编码
        System.out.println("content-type:" + contentType);
        if(responsecode == 200){
            //获取网页输入流
            BufferedReader reader = new BufferedReader(new InputStreamReader(urlConnection.getInputStream(),charset));
            while((line = reader.readLine()) != null){
                buffer.append(line).append("\n");
            }
            System.out.println(buffer.toString());
        }
        else{
            System.out.println("获取不到网页的源码，服务器响应代码为："+responsecode);
        }
        urlConnection.disconnect();
    }
}

关键点在这一句代码：

BufferedReader reader = new BufferedReader(new InputStreamReader(urlConnection.getInputStream(),charset));

这里的charset表示网页内容的字符集编码，上面的示例代码中charset是直接定义为UTF-8,实际我们期望是能自动判断，因为并不是所有网页内容的字符集编码都为UTF-8,这也是我们今天这篇文章的主题：如何获取网页内容的原始字符集编码。

首先，我们可以通过URLConnection类的getContentType()方法的返回值中获取，比如：

String contentType = urlConnection.getContentType();

返回值类似这样：

content-type:text/html; charset=utf-8

然后我们从字符串中提取出字符集编码，剩下这就是字符串处理了，没什么难度，你们都懂的！

当然，URLConnection类的getContentType()方法的返回值并不能保证一定会包含字符集编码，这时我们就需要另辟蹊径，我们都知道一般HTML页面源代码中都会包含<meta标签，如：

<%@ page language="java" contentType="text/html; charset=UTF-8"
    pageEncoding="UTF-8"%>
<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd">
<html>
<head>
<meta http-equiv="Content-Type" content="text/html; charset=UTF-8">
<title>欢迎页面</title>
</head>
<body>
欢迎页面
</body>
</html>

关键点在这里：

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

我们可以通过正则表达式从中提取出编码，示例代码如下：

package com.yida.test;

import java.util.regex.Matcher;
import java.util.regex.Pattern;
/**
 * 从HTML网页的meta元素中提取页面编码
 * 这里采用的是正则表达式方式提取，你也可以采用XML解析的方式来提取[HTML其实就是XML]
 * @author Lanxiaowei
 *
 */
public class CharsetExtractTest {
    public static void main(String[] args) {
        //test1();
        test2();
    }
    
    /**
     * 常规情况
     */
    public static void test1() {
        String content="<html xmlns=\"http://www.w3.org/1999/xhtml\">\n" +
                "<head>\n" +
                "<meta http-equiv = \"Content-Type\" content = \"text/html; charset=utf-8\" />\n" +
                "<meta content=\"java获取 html网页编码\" name=\"Keywords\"/>...\n";
        Pattern pattern = Pattern.compile("<meta\\s+http-equiv\\s*=\\s*\"Content-Type\"\\s+content\\s*=\\s*\"[\\s\\S]*?charset=(\\S+?)\"\\s*/>");
        Matcher matcher=pattern.matcher(content);
        if(matcher.find()){
            System.out.println(matcher.group(1));
        }
    }
    
    /**
     * 非常规情况，比如http-equiv和content属性颠倒了
     */
    public static void test2() {
        String content="<html xmlns=\"http://www.w3.org/1999/xhtml\">\n" +
                "<head>\n" +
                "<meta content = \"text/html; charset=utf-8\" http-equiv = \"Content-Type\" />\n" +
                "<meta content=\"java获取 html网页编码\" name=\"Keywords\"/>...\n";
        String regex = "(<meta\\s+http-equiv\\s*=\\s*\"Content-Type\"\\s+content\\s*=\\s*\"[\\s\\S]*?charset=(\\S+?)\"\\s*/>)|" + 
                "(<meta\\s+content\\s*=\\s*\"[\\s\\S]*?charset=(\\S+?)\"\\s+http-equiv\\s*=\\s*\"Content-Type\"\\s*/>)";
        Pattern pattern = Pattern.compile(regex);
        Matcher matcher=pattern.matcher(content);
        if(matcher.find()){
            System.out.println(matcher.group(4));
        }
    }
}

但遗憾的是，并不是每个网页内容都包含meta标签，因为总有些人不遵守HTML规范，这是我们该怎么办？还好我们还有一招可以来应对这种情形，那就是IBM的icu4j类库,icu4j可以从指定的字节数据从自动推断出其采用的字符集编码，具体示例代码如下：

package com.yida.test;

import java.io.IOException;
import java.io.InputStream;

import com.ibm.icu.text.CharsetDetector;
import com.ibm.icu.text.CharsetMatch;

/**
 * 使用icu4j探测内容编码，这里的内容可以来自于字符串,字节数组,输入流等等
 * 
 * @author Lanxiaowei
 * 
 */
public class Icu4jTest {
    public static void main(String[] args) {
        String data = "ICU4J 是IBM的国际化开发组件ICU的Java语言实现版本。";
        String encode = getEncode(data);
        System.out.println("encode:" + encode);
    }
    
    public static String getEncode(String data) {
        return getEncode(data.getBytes());
    }
    public static String getEncode(byte[] data) {
        CharsetDetector detector = new CharsetDetector();
        detector.setText(data);
        CharsetMatch match = detector.detect();
        //取Confidence值最大的
        String encoding = match.getName();
        System.out.println("The Content in " + match.getName());
        CharsetMatch[] matches = detector.detectAll();
        System.out.println("All possibilities");
        for (CharsetMatch m : matches) {
            System.out.println("CharsetName:" + m.getName() + " Confidence:"
                    + m.getConfidence());
        }
        return encoding;
    }

    public static String getEncode(InputStream data)
            throws IOException {
        CharsetDetector detector = new CharsetDetector();
        detector.setText(data);
        CharsetMatch match = detector.detect();
        String encoding = match.getName();
        System.out.println("The Content in " + match.getName());
        CharsetMatch[] matches = detector.detectAll();
        System.out.println("All possibilities");
        for (CharsetMatch m : matches) {
            System.out.println("CharsetName:" + m.getName() + " Confidence:"
                    + m.getConfidence());
        }
        return encoding;
    }
}

还有一点需要注意的就是，如果抓取到的网页内容输入流不管是使用GBK还是UTF-8，都全是乱码，那很有可能是该网页所在服务器对其采用GZip压缩，所以在获取到网页输入流时首先需要对其进行GZip解压缩，那如何确定对方服务器是否有对网页进行GZip压缩呢，一般可以通过响应头信息中获取到，如果响应头里包含了如下信息：

Accept-Encoding: gzip,deflate

则表明该网页被GZip压缩过，在获取网页内容之前，需要一个GZip解压缩过程，特此提醒！GZip解压缩示例代码如下：

InputStream is = urlConnection.getInputStream();
//用GZIPInputStream 对原始的输入流包装一下
GZIPInputStream gis = new GZIPInputStream(he.getContent());
BufferedReader reader = new BufferedReader(new InputStreamReader(gis,charset));

上述所有示例代码打包上传到我的百度网盘，代码下载地址如下：

http://pan.baidu.com/s/1kTgQi0Z

如果你还有什么问题请加我Ｑ-Q：7-3-6-0-3-1-3-0-5，

或者加裙
一起交流学习！

4
顶

2
踩

分享到：

Lucene5学习之拼音搜索 | Lucene5学习之SpellCheck拼写纠错

2015-04-26 15:18
浏览 6112
评论(2)
分类:编程语言
查看更多

2 楼 ljl_ss 2015-04-28

111111

1 楼 yangsong158 2015-04-26

正则表达式提取HTML属性很强大。
顺手推荐另一个东西，有一个叫：cpdetector的东东，可以直接根据文件内容，基于统计学原理，去猜测文件所使用的编码。
大体代码如下：
/**
* @describe Guess the encoding of the file specified by filename
* @param filename
* @return the encoding of the file
*/
public String guessEncoding(File file) {
try {
CharsetPrinter charsetPrinter = new CharsetPrinter();
String encode = charsetPrinter.guessEncoding(file);
return encode;
} catch (Exception e) {
throw new RuntimeException("猜测文件编码出错",e);
}
}

不知道这个东东，对你有用否。

发表评论

您还没有登录,请您登录后再发表评论

最近访客更多访客>>

博主相关

文章分类

社区版块

存档分类

最新评论