如何使用 Java 以正确的编码检索 HTML 页面？

StackOverflow https://stackoverflow.com/questions/1255730

  •  12-09-2019
  •  | 
  •  

题

如何使用页面编码中的 HTML 页面读取 HTTP 流？

这是我用来获取 HTTP 流的代码片段。 输入流读取器 有编码可选参数，但我不知道如何获取它。

URLConnection conn = url.openConnection();
InputStream is = conn.getInputStream();
BufferedReader d = new BufferedReader(new InputStreamReader(is));
有帮助吗？

解决方案

检索网页是一个相当复杂的过程。这就是为什么存在库，如 HttpClient的。我的建议是，除非你有一个非常令人信服的理由，否则，使用HttpClient的。

其他提示

当连接被establised通

的URLConnection康恩= url.openConnection（）;

可以得到通url.getContentEncoding（编码方法名称），以便通过这个字符串的InputStreamReader（），使代码看起来像

的BufferedReader d =新的BufferedReader（新的InputStreamReader（是，url.getContentEncoding（）））;

简短的答案是 URLConnection.getContentEncoding(). 。正确的答案是 cletus 建议的，使用适当的第三方库，除非你有令人信服的理由不这样做。

我最近有一个非常类似的问题需要解决。与其他答案一样，我也开始尝试 HttpClient 等。但是，这些库要求您预先知道要下载的文件的编码。否则，检索到的 HTML 文件的转换将产生不可读的字符。

这种方法行不通，因为 HTML 文件的编码仅在 HTML 文件本身中指定。根据 HTML 版本，编码以多种不同的方式指定，例如 XML 标头、两个不同的标头元标记元素等。如果您遵循此方法，您将需要：

  1. 下载文件并查看内容，通过解析 HTML 内容来找出编码。
  2. 再次下载文件以指定正确的编码。

特别是解析 HTML 内容以获取正确的编码字符串很容易出错。相反，我建议你依赖像这样的库 汤, ，这将为您完成这项工作。因此，不要通过 httpclient 下载文件，而是使用 JSoup 为您检索文件。此外，JSoup 提供了一个很好的 API 来直接访问 HTML 页面的不同部分（例如页面标题）。

许可以下： CC-BY-SA 和 归因
不隶属于 StackOverflow
scroll top