标签：
因采集需求，想解决网页编码识别问题。网上提出了很多方法。比如根据文件头字节判断，或根据网页的charset标识符判断。
我在实际应用中，这些方法都有各自的不足，比如有的网页charset写的是gbk，但实际是utf8。
于是想了一个个人认为比较新鲜的方法。将html下载回来后，做一份utf8副本和一份gbk副本，然后将utf8转换为bytes，判断bytes内是否有乱码标识（连续三个byte表示为239 191 189），如果有，则表示为乱码，直接使用gbk，如果没有，则表示没有乱码，直接使用utf8。
下面看看我的代码：
获取html
var data = new System.Net.WebClient { }.DownloadData(this.textBox1.Text); //根据textBox1的网址下载html
var r_utf8 = new System.IO.StreamReader(new System.IO.MemoryStream(data),Encoding.UTF8); //将html放到utf8编码的StreamReader内
var r_gbk = new System.IO.StreamReader(new System.IO.MemoryStream(data), Encoding.Default); //将html放到gbk编码的StreamReader内
var t_utf8 = r_utf8.ReadToEnd(); //读出html内容
var t_gbk = r_gbk.ReadToEnd(); //读出html内容
if (!isLuan(t_utf8)) //判断utf8是否有乱码
{
htm = t_utf8;
this.Text = "utf8";
}
else
{
htm = t_gbk;
this.Text = "gbk";
}
this.textBox2.Text = htm;
判断是否有乱码
bool isLuan(string txt)
{
var bytes = Encoding.UTF8.GetBytes(txt);
//239 191 189
for (var i = 0; i < bytes.Length; i++)
{
if(i < bytes.Length - 3)
if (bytes[i] == 239 && bytes[i + 1] == 191 && bytes[i + 2] == 189)
{
return true;
}
}
return false;
}
标签：
原文地址：http://www.cnblogs.com/sukb0917/p/4949112.html
