当前位置: 萬仟网 > IT编程>开发语言>Java > EntityUtils.toString(entity)处理字符集问题解决

EntityUtils.toString(entity)处理字符集问题解决

2019年11月27日  | 萬仟网IT编程  | 我要评论
爬取51Job和猎聘网的信息,想处理字符集问题(51job为gbk,猎聘为utf-8), 找到两个网站字符集信息都在同一标签下 就想先把网页保存成String,解析一遍获取字符集,然后将网页转换成对应的正确的字符集,最后再转换成统一的字符集utf-8 1.0实现,2次调用Entity.Utils.t ...

爬取51job和猎聘网的信息,想处理字符集问题(51job为gbk,猎聘为utf-8),

找到两个网站字符集信息都在同一标签下

就想先把网页保存成string,解析一遍获取字符集,然后将网页转换成对应的正确的字符集,最后再转换成统一的字符集utf-8

1.0实现,2次调用entity.utils.tostring方法

closeablehttpresponse httpresponse = httpclient.execute(httpget);
            if(httpresponse.getstatusline().getstatuscode() == 200) {
                //网站转为string
                string get_charset_entity2string = entityutils.tostring(httpresponse.getentity());
                //解析
                document get_charset_document = jsoup.parse(get_charset_entity2string);
                //字符集信息提取,51job和猎聘
                string charset = get_charset_document.select("meta[http-equiv=content-type]")
                        .attr("content").split("=")[1];
                system.out.println(charset);
                //根据字符集重新编码成正确的
                string ori_entity = entityutils.tostring(httpresponse.getentity(),charset);
                //转换为统一的utf-8
                string entity = new string(ori_entity.getbytes(),"utf-8");
                system.out.println(entity);
        {

报错

 

参考 https://blog.csdn.net/qq_23145857/article/details/70213277

发现entityutils流只存在一次,但是有不想一个网页要连接两次,

这难不倒我,直接转换原来保留的string

2.0实现,第二次不使用entityutils

closeablehttpresponse httpresponse = httpclient.execute(httpget);
            if(httpresponse.getstatusline().getstatuscode() == 200) {
                //网站转为string
                string get_charset_entity2string = entityutils.tostring(httpresponse.getentity());
                //解析
                document get_charset_document = jsoup.parse(get_charset_entity2string);
                //字符集信息提取,51job和猎聘
                string charset = get_charset_document.select("meta[http-equiv=content-type]")
                        .attr("content").split("=")[1];
                system.out.println(charset);
                //根据字符集重新编码成正确的,不用entityutils,直接转get_charset_entity2string
                string ori_entity = new string(get_charset_entity2string.getbytes(), charset);
                //转换为统一的utf-8
                string entity = new string(ori_entity.getbytes(),"utf-8");
                system.out.println(entity);
        {

输出:

 

 字符集依旧有问题,发现不指定字符集,entityutils.tostring()就用"iso-8859-1"字符集,可我就是不知道字符集

看到参考链接下面的解决办法,眼前一亮,把流直接以位数组保存,都能灵活变换

3.0实现,不使用entityutils.tostring,改用entityutils.tobytearray()        

closeablehttpresponse httpresponse = httpclient.execute(httpget);
            if(httpresponse.getstatusline().getstatuscode() == 200) {
          //网站转换为byte[] byte[] bytes = entityutils.tobytearray(httpresponse.getentity()); //byte列表转为默认字符集 string get_charset_entity2string = new string(bytes); //解析 document get_charset_document = jsoup.parse(get_charset_entity2string); //字符集信息提取,51job和猎聘 string charset = get_charset_document.select("meta[http-equiv=content-type]") .attr("content").split("=")[1]; system.out.println(charset); //根据字符集重新编码成正确的 string ori_entity = new string(bytes, charset); //转换为统一的utf-8 string entity = new string(ori_entity.getbytes(), "utf-8"); system.out.println(entity);
        }

对于里面的默认字符集

参考:https://blog.csdn.net/wangxin1949/article/details/78974037

  • 1、如果使用了eclipse,由java文件的编码决定
  • 2、如果没有使用eclipse,则有本地电脑语言环境决定,中国的都是默认gbk编码,
只要没有改变英文的编码,就没有影响,只要能从标签里提取出charset字符集就可以转换成正确的
 

输出正常

 

 

换成猎聘的url再尝试

 

 完美,爬虫的字符集真神奇

 

如您对本文有疑问或者有任何想说的,请点击进行留言回复,万千网友为您解惑!

相关文章:

验证码:
Copyright © 2017-2021  萬仟网 保留所有权利. 粤ICP备17035492号-1
站长QQ:2386932994 | 联系邮箱:2386932994@qq.com