nutch+mysql gb2312网页源代码中文乱码

标签：nutch   mysql   gb2312   utf-8   中文乱码   

问题描述：

将nutch爬的网页源代码存在mysql中，网页编码为gb2312的网页中文乱码，其他编码暂未发现问题。因为nutch对爬下的网页源代码content不作任何处理，仅仅保存，而我的mysql编码设置的为utf-8，所以会显示乱码。

现在需要处理网页源代码，取出指定数据，那么java程序如何将gb2312中文乱码的网页源代码转化为非乱码。

解决：

其实采用ResultSet的getBytes方法即可。

public void getResoucePage() throws Exception{
		String sql = "select * from webpage";
		ResultSet rs = stmtSelect.executeQuery(sql);
		while(rs.next()){
			byte[] pageByte = rs.getBytes("content");
			String pageString = new  String(pageByte, "gb2312");
			getPageInfo(pageString);
		}
		rs.close();
		stmtSelect.close();
		conn.close();
	}

说明：采用字节读取网页源代码，再指定编码为gb2312解码即可得到非乱码的网页源代码，剩下想怎么处理就怎么处理了。

（转载请注明，更多详见：http://blog.csdn.net/hwwn2009/article/details/41960043）

nutch+mysql gb2312网页源代码中文乱码

标签：nutch   mysql   gb2312   utf-8   中文乱码   

原文地址：http://blog.csdn.net/hwwn2009/article/details/41960043