java判断网页的编码格式

在爬取内容时，遇到乱码问题。故需对网页内容编码格式做判断，方式大体分为三种：一、从header标签中获取Content-Type=#Charset；二、从meta标签中获取Content-Type=#Charset；三、根据页面内容分析编码格式。

其中一/二方式并不能准确指示该页面的具体编码方式，周全考虑，加入第三种方式。

第三种方式引入开源jar包info.monitorenter.cpdetector，可以从github上面下载(https://github.com/onilton/cpdetector-maven-repo/tree/master/info/monitorenter/cpdetector/1.0.10)下载。整个代码如下：

  1 import info.monitorenter.cpdetector.io.ASCIIDetector;
  2 import info.monitorenter.cpdetector.io.ByteOrderMarkDetector;
  3 import info.monitorenter.cpdetector.io.CodepageDetectorProxy;
  4 import info.monitorenter.cpdetector.io.JChardetFacade;
  5 import info.monitorenter.cpdetector.io.ParsingDetector;
  6 import info.monitorenter.cpdetector.io.UnicodeDetector;
  7 
  8 import java.io.ByteArrayInputStream;
  9 import java.io.IOException;
 10 import java.io.InputStream;
 11 import java.net.MalformedURLException;
 12 import java.net.URL;
 13 import java.net.URLConnection;
 14 import java.nio.charset.Charset;
 15 import java.util.List;
 16 import java.util.Map;
 17 
 18 import org.apache.commons.io.IOUtils;
 19 
 20 public class PageEncoding {
 21     /**    测试用例
 22      * @param args
 23      */
 24     public static void main(String[] args) {
 25         
 26         String charset = getEncodingByContentStream("http://www.baidu.com");
 27         
 28         System.out.println(charset);
 29     }
 30 
 31     /**
 32      * 从header中获取页面编码
 33      * @param strUrl
 34      * @return
 35      */
 36     public static String getEncodingByHeader(String strUrl){
 37         String charset = null;
 38         try {
 39             URLConnection urlConn = new URL(strUrl).openConnection();
 40             // 获取链接的header
 41             Map<String, List<String>> headerFields = urlConn.getHeaderFields();
 42             // 判断headers中是否存在Content-Type
 43             if(headerFields.containsKey("Content-Type")){
 44                 //拿到header 中的 Content-Type ：[text/html; charset=utf-8]
 45                 List<String> attrs = headerFields.get("Content-Type");
 46                 String[] as = attrs.get(0).split(";");
 47                 for (String att : as) {
 48                     if(att.contains("charset")){
 49 //                        System.out.println(att.split("=")[1]);
 50                         charset = att.split("=")[1];
 51                     }
 52                 }
 53             } 
 54             return charset;
 55         } catch (MalformedURLException e) {
 56             e.printStackTrace();
 57             return charset;
 58         } catch (IOException e) {
 59             e.printStackTrace();
 60             return charset;
 61         }
 62     }
 63     
 64     /**
 65      * 从meta中获取页面编码
 66      * @param strUrl
 67      * @return
 68      */
 69     public static String getEncodingByMeta(String strUrl){
 70         String charset = null;
 71         try {
 72             URLConnection urlConn = new URL(strUrl).openConnection();
 73             //避免被拒绝
 74             urlConn.setRequestProperty("User-Agent", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36");
 75             // 将html读取成行,放入list
 76             List<String> lines = IOUtils.readLines(urlConn.getInputStream());
 77             for (String line : lines) {
 78                 if(line.contains("http-equiv") && line.contains("charset")){
 79 //                    System.out.println(line);
 80                     String tmp = line.split(";")[1];
 81                     charset = tmp.substring(tmp.indexOf("=")+1, tmp.indexOf("\""));
 82                 }else{
 83                     continue;
 84                 }
 85             }
 86             return charset;
 87         } catch (MalformedURLException e) {
 88             e.printStackTrace();
 89             return charset;
 90         } catch (IOException e) {
 91             e.printStackTrace();
 92             return charset;
 93         }
 94     }
 95     
 96     /**
 97      * 根据网页内容获取页面编码
 98      *     case : 适用于可以直接读取网页的情况(例外情况:一些博客网站禁止不带User-Agent信息的访问请求)
 99      * @param url
100      * @return
101      */
102     public static String getEncodingByContentUrl(String url) {
103         CodepageDetectorProxy cdp = CodepageDetectorProxy.getInstance();
104         cdp.add(JChardetFacade.getInstance());// 依赖jar包 ：antlr.jar & chardet.jar
105         cdp.add(ASCIIDetector.getInstance());
106         cdp.add(UnicodeDetector.getInstance());
107         cdp.add(new ParsingDetector(false));
108         cdp.add(new ByteOrderMarkDetector());
109         
110         Charset charset = null;
111         try {
112             charset = cdp.detectCodepage(new URL(url));
113         } catch (MalformedURLException e) {
114             e.printStackTrace();
115         } catch (IOException e) {
116             e.printStackTrace();
117         }
118         System.out.println(charset);
119         return charset == null ? null : charset.name().toLowerCase();
120     }
121     
122     /**
123      * 根据网页内容获取页面编码
124      *     case : 适用于不可以直接读取网页的情况,通过将该网页转换为支持mark的输入流,然后解析编码
125      * @param strUrl
126      * @return
127      */
128     public static String getEncodingByContentStream(String strUrl) {
129         Charset charset = null;
130         try {
131             URLConnection urlConn = new URL(strUrl).openConnection();
132             //打开链接,加上User-Agent,避免被拒绝
133             urlConn.setRequestProperty("User-Agent", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36");
134             
135             //解析页面内容
136             CodepageDetectorProxy cdp = CodepageDetectorProxy.getInstance();
137             cdp.add(JChardetFacade.getInstance());// 依赖jar包 ：antlr.jar & chardet.jar
138             cdp.add(ASCIIDetector.getInstance());
139             cdp.add(UnicodeDetector.getInstance());
140             cdp.add(new ParsingDetector(false));
141             cdp.add(new ByteOrderMarkDetector());
142             
143             InputStream in = urlConn.getInputStream();
144             ByteArrayInputStream bais = new ByteArrayInputStream(IOUtils.toByteArray(in));
145             // detectCodepage(InputStream in, int length) 只支持可以mark的InputStream
146             charset = cdp.detectCodepage(bais, 2147483647);
147         } catch (MalformedURLException e) {
148             e.printStackTrace();
149         } catch (IOException e) {
150             e.printStackTrace();
151         }
152         return charset == null ? null : charset.name().toLowerCase();
153     }
154 }

注意的点：

1.info.monitorenter.cpdetector未在mvn-repository中开源，因而无法从mvn-repository中下载，需要将该jar下到本地，然后手动导入到本地repository，mvn命令如下：

mvn install:install-file -Dfile=jar包的位置 -DgroupId=该jar的groupId -DartifactId=该jar的artifactId -Dversion=该jar的version -Dpackaging=jar

然后在pom.xml中添加该jar的依赖

<!-- charset detector -->
<dependency>
    <groupId>info.monitorenter.cpdetector</groupId>
    <artifactId>cpdetector</artifactId>
    <version>1.0.10</version>
</dependency>

2.JChardetFacade.getInstance()在引入antlr.jar和chardet.jar之前会报异常，在pom.xml中添加这两个jar的dependency:

<!-- antlr -->
<dependency>
    <groupId>antlr</groupId>
    <artifactId>antlr</artifactId>
    <version>2.7.7</version>
</dependency>
<!-- ChardetFacade -->
<dependency>
    <groupId>net.sourceforge.jchardet</groupId>
    <artifactId>jchardet</artifactId>
    <version>1.0</version>
</dependency>

如果是普通项目则无需关心pom.xml，直接把这三个jar包下载下来然后添加到该项目的环境中即可

 posted on 2018-02-03 14:59  QABIL  阅读(1463)  评论(0)  编辑  收藏  举报