没有 http-equiv 元标记且字符集可能不是 UTF-8 的 HTML 文件

Posted 2023-03-05

【中文标题】没有 http-equiv 元标记且字符集可能不是 UTF-8 的 HTML 文件

【英文标题】：HTML files with no http-equiv meta tag and the charset may be other than UTF-8

【发布时间】：2014-04-13 10:51:13

【问题描述】：

我们正在使用 jsoup - 非常感谢。

我们可能会得到没有 http-equiv 元标记的 html 文件，并且字符集可能不是 UTF-8。 请问这个怎么处理最好。我们可以有一个编码列表并尝试它们，但我不确定如何以编程方式判断是否有问题。 jsoup 会抛出 IOException 吗？

【参考方案1】：

Jsoup 将尝试通过 content type header 或 http equiv tag 来确定编码，如果您没有它们，它将使用 utf8。不确定 jsoup 是否可以在这里为您做更多的事情。

但你可以尝试另一种方法：

实现一个为您读取文件的类。在那里，您可以处理所有编码问题。因此，这样的类应该为您提供正确的编码字符串，或者至少为您的输入提供编码。

(html input) --> [encoding class] --normalized encoding--> [jsoup] --> (whatever)   

Jsoup 现在可以使用已知编码解析该输入。

我猜想改变 html-creation 是不可能的，不是吗？

进一步阅读：

http://illegalargumentexception.blogspot.co.uk/2009/05/java-rough-guide-to-character-encoding.html#javaencoding_autodetect Character Encoding Detection Algorithm What is the most accurate encoding detector?（包括实施列表） Java Text File Encoding Detect (or best guess of) incoming string encoding in Java

【讨论】：

谢谢。阅读：joelonsoftware.com/articles/Unicode.html 有帮助。

也有帮助。现在我undersatnd 更好的字符集与编码。我将所有设置都设置为 UTF-8。我放了一些中文

抱歉出现乱码。谷歌搜索提出 jsoup 不支持中文和日文字符集的建议。请问是这样吗。在 UTF-8 下，其他一切似乎都可以正常工作。

我没有用亚洲字符集测试过jsoup，但是如果你使用java的方法处理字符串然后用jsoup解析它也会失败。