标签:
近日在做爬虫功能,爬取网页内容,然后对内容进行语义分析,最后对网页打标签,从而判断访问该网页的用户的属性。
在爬取内容时,遇到乱码问题。故需对网页内容编码格式做判断,方式大体分为三种:一、从header标签中获取Content-Type=#Charset;二、从meta标签中获取Content-Type=#Charset;三、根据页面内容分析编码格式。
其中一/二方式并不能准确指示该页面的具体编码方式,周全考虑,加入第三种方式。
第三种方式引入开源jar包info.monitorenter.cpdetector,可以从github上面下载(https://github.com/onilton/cpdetector-maven-repo/tree/master/info/monitorenter/cpdetector/1.0.10)下载。
package com.mobivans.encoding; import info.monitorenter.cpdetector.io.ASCIIDetector; import info.monitorenter.cpdetector.io.ByteOrderMarkDetector; import info.monitorenter.cpdetector.io.CodepageDetectorProxy; import info.monitorenter.cpdetector.io.JChardetFacade; import info.monitorenter.cpdetector.io.ParsingDetector; import info.monitorenter.cpdetector.io.UnicodeDetector; import java.io.ByteArrayInputStream; import java.io.IOException; import java.io.InputStream; import java.net.MalformedURLException; import java.net.URL; import java.net.URLConnection; import java.nio.charset.Charset; import java.util.List; import java.util.Map; import org.apache.commons.io.IOUtils; public class PageEncoding { /** 测试用例 * @param args */ public static void main(String[] args) { // String charset = getEncodingByHeader("http://blog.csdn.net/liuzhenwen/article/details/4060922"); // String charset = getEncodingByMeta("http://blog.csdn.net/liuzhenwen/article/details/4060922"); String charset = getEncodingByContentStream("http://blog.csdn.net/liuzhenwen/article/details/5930910"); System.out.println(charset); } /** * 从header中获取页面编码 * @param strUrl * @return */ public static String getEncodingByHeader(String strUrl){ String charset = null; try { URLConnection urlConn = new URL(strUrl).openConnection(); // 获取链接的header Map<String, List<String>> headerFields = urlConn.getHeaderFields(); // 判断headers中是否存在Content-Type if(headerFields.containsKey("Content-Type")){ //拿到header 中的 Content-Type :[text/html; charset=utf-8] List<String> attrs = headerFields.get("Content-Type"); String[] as = attrs.get(0).split(";"); for (String att : as) { if(att.contains("charset")){ // System.out.println(att.split("=")[1]); charset = att.split("=")[1]; } } } return charset; } catch (MalformedURLException e) { e.printStackTrace(); return charset; } catch (IOException e) { e.printStackTrace(); return charset; } } /** * 从meta中获取页面编码 * @param strUrl * @return */ public static String getEncodingByMeta(String strUrl){ String charset = null; try { URLConnection urlConn = new URL(strUrl).openConnection(); //避免被拒绝 urlConn.setRequestProperty("User-Agent", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36"); // 将html读取成行,放入list List<String> lines = IOUtils.readLines(urlConn.getInputStream()); for (String line : lines) { if(line.contains("http-equiv") && line.contains("charset")){ // System.out.println(line); String tmp = line.split(";")[1]; charset = tmp.substring(tmp.indexOf("=")+1, tmp.indexOf("\"")); }else{ continue; } } return charset; } catch (MalformedURLException e) { e.printStackTrace(); return charset; } catch (IOException e) { e.printStackTrace(); return charset; } } /** * 根据网页内容获取页面编码 * case : 适用于可以直接读取网页的情况(例外情况:一些博客网站禁止不带User-Agent信息的访问请求) * @param url * @return */ public static String getEncodingByContentUrl(String url) { CodepageDetectorProxy cdp = CodepageDetectorProxy.getInstance(); cdp.add(JChardetFacade.getInstance());// 依赖jar包 :antlr.jar & chardet.jar cdp.add(ASCIIDetector.getInstance()); cdp.add(UnicodeDetector.getInstance()); cdp.add(new ParsingDetector(false)); cdp.add(new ByteOrderMarkDetector()); Charset charset = null; try { charset = cdp.detectCodepage(new URL(url)); } catch (MalformedURLException e) { e.printStackTrace(); } catch (IOException e) { e.printStackTrace(); } System.out.println(charset); return charset == null ? null : charset.name().toLowerCase(); } /** * 根据网页内容获取页面编码 * case : 适用于不可以直接读取网页的情况,通过将该网页转换为支持mark的输入流,然后解析编码 * @param strUrl * @return */ public static String getEncodingByContentStream(String strUrl) { Charset charset = null; try { URLConnection urlConn = new URL(strUrl).openConnection(); //打开链接,加上User-Agent,避免被拒绝 urlConn.setRequestProperty("User-Agent", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36"); //解析页面内容 CodepageDetectorProxy cdp = CodepageDetectorProxy.getInstance(); cdp.add(JChardetFacade.getInstance());// 依赖jar包 :antlr.jar & chardet.jar cdp.add(ASCIIDetector.getInstance()); cdp.add(UnicodeDetector.getInstance()); cdp.add(new ParsingDetector(false)); cdp.add(new ByteOrderMarkDetector()); InputStream in = urlConn.getInputStream(); ByteArrayInputStream bais = new ByteArrayInputStream(IOUtils.toByteArray(in)); // detectCodepage(InputStream in, int length) 只支持可以mark的InputStream charset = cdp.detectCodepage(bais, 2147483647); } catch (MalformedURLException e) { e.printStackTrace(); } catch (IOException e) { e.printStackTrace(); } return charset == null ? null : charset.name().toLowerCase(); } }
注意的点:
1.info.monitorenter.cpdetector未在mvn-repository中开源,因而无法从mvn-repository中下载,需要将该jar下到本地,然后手动导入到本地repository,mvn命令如下:
mvn install:install-file -Dfile=jar包的位置 -DgroupId=该jar的groupId -DartifactId=该jar的artifactId -Dversion=该jar的version -Dpackaging=jar
然后在pom.xml中添加该jar的依赖
<!-- charset detector --> <dependency> <groupId>info.monitorenter.cpdetector</groupId> <artifactId>cpdetector</artifactId> <version>1.0.10</version> </dependency>
2.JChardetFacade.getInstance()在引入antlr.jar和chardet.jar之前会报异常,在pom.xml中添加这两个jar的dependency:
<!-- antlr --> <dependency> <groupId>antlr</groupId> <artifactId>antlr</artifactId> <version>2.7.7</version> </dependency> <!-- ChardetFacade --> <dependency> <groupId>net.sourceforge.jchardet</groupId> <artifactId>jchardet</artifactId> <version>1.0</version> </dependency>
如果是普通项目则无需关心pom.xml,直接把这三个jar包下载下来然后添加到该项目的环境中即可
java爬虫爬取网页内容前,对网页内容的编码格式进行判断的方式
标签:
原文地址:http://www.cnblogs.com/bornot/p/5692764.html