用juniversalchardet解决爬虫乱码问题

Posted 2020-09-28 yutingliuyl

原创文章，转载请注明。

        爬虫往往会遇到乱码问题。最简单的方法是依据http的响应信息来获取编码信息。但假设对方站点的响应信息不包括编码信息或编码信息错误，那么爬虫取下来的信息就非常可能是乱码。

       好的解决的方法是直接依据页面内容来自己主动推断页面的编码。

如Mozilla公司的firefox使用的universalchardet编码自己主动检測工具。

       juniversalchardet是universalchardet的java版本号。

源代码开源于 https://github.com/thkoch2001/juniversalchardet

       自己主动编码主要是依据统计学的方法来推断。详细原理。能够看http://www-archive.mozilla.org/projects/intl/UniversalCharsetDetection.html

       如今以Java爬虫经常使用的httpclient来解说怎样使用。看下面关键代码：

UniversalDetector encDetector = new UniversalDetector(null);
    while ((l = myStream.read(tmp)) != -1) {
        buffer.append(tmp, 0, l);
        if (!encDetector.isDone()) {
            encDetector.handleData(tmp, 0, l);
        }
    }
encDetector.dataEnd();
String encoding = encDetector.getDetectedCharset();
if (encoding != null) {
    return new String(buffer.toByteArray(), encoding);
}
encDetector.reset();

myStream.read(tmp)) 读取httpclient得到的流。我们要做的就是在读流的同一时候，运用juniversalchardet来检測编码，假设有符合特征的编码的出现，则最后可通过detector.getDetectedCharset()
能够得到编码。否则返回null。至此，检測工作结束。通过String的构造方法来进行按一定编码构建字符串。