htmlparser解析网站时服务器返回的文件编码和页面编码不一致问题
2016-02-29 10:34
597 查看
1、用htmlparser解析http://gz.fang.com/抛出如下异常:
Exception in thread "main" org.htmlparser.util.EncodingChangeException: character mismatch (new: 【 [0x3010] != old: [0xa1?]) for encoding change from ISO-8859-1 to GB2312 at character offset 149
at org.htmlparser.lexer.InputStreamSource.setEncoding(InputStreamSource.java:279)
at org.htmlparser.lexer.Page.setEncoding(Page.java:864)
at org.htmlparser.tags.MetaTag.doSemanticAction(MetaTag.java:149)
at org.htmlparser.scanners.TagScanner.scan(TagScanner.java:68)
at org.htmlparser.scanners.CompositeTagScanner.scan(CompositeTagScanner.java:159)
at org.htmlparser.util.IteratorImpl.nextNode(IteratorImpl.java:91)
at org.htmlparser.Parser.parse(Parser.java:700)
发现:在Parser parser = new Parser(src);parser.getEncoding();返回网站的编码是 ISO-8859-1 ,但NodeList nodeList = parser.parse(null)解析http://gz.fang.com/页面时,页面设置的字符串<metahttp-equiv="Content-Type"content="text/html;
charset=gb2312" />是gb2312,二者冲突异常;
2、经查阅,可能是htmlparser的一个bug,通过修改Page类和InputStreamSource类源码可解决,参考http://www.codeweblog.com/htmlparser-coding-problem/,该方法未试验;
3、有人提出通过显示设置字符集来解决,parser.setEncoding("GB2312");但仍无法解决;
该问题后续继续研究如何解决,本文这里暂时先用httpurlclient输出网页文件,再用htmlparser解析网页内容,具体代码如下:
Exception in thread "main" org.htmlparser.util.EncodingChangeException: character mismatch (new: 【 [0x3010] != old: [0xa1?]) for encoding change from ISO-8859-1 to GB2312 at character offset 149
at org.htmlparser.lexer.InputStreamSource.setEncoding(InputStreamSource.java:279)
at org.htmlparser.lexer.Page.setEncoding(Page.java:864)
at org.htmlparser.tags.MetaTag.doSemanticAction(MetaTag.java:149)
at org.htmlparser.scanners.TagScanner.scan(TagScanner.java:68)
at org.htmlparser.scanners.CompositeTagScanner.scan(CompositeTagScanner.java:159)
at org.htmlparser.util.IteratorImpl.nextNode(IteratorImpl.java:91)
at org.htmlparser.Parser.parse(Parser.java:700)
发现:在Parser parser = new Parser(src);parser.getEncoding();返回网站的编码是 ISO-8859-1 ,但NodeList nodeList = parser.parse(null)解析http://gz.fang.com/页面时,页面设置的字符串<metahttp-equiv="Content-Type"content="text/html;
charset=gb2312" />是gb2312,二者冲突异常;
2、经查阅,可能是htmlparser的一个bug,通过修改Page类和InputStreamSource类源码可解决,参考http://www.codeweblog.com/htmlparser-coding-problem/,该方法未试验;
3、有人提出通过显示设置字符集来解决,parser.setEncoding("GB2312");但仍无法解决;
该问题后续继续研究如何解决,本文这里暂时先用httpurlclient输出网页文件,再用htmlparser解析网页内容,具体代码如下:
public static void main(String[]args) throws Exception{ UrlFilter uf=new UrlFilter(); uf.httpForCoding("http://gz.fang.com/"); } //先用httpurlclient输出网页文件,再用htmlparser解析,解决htmlparser编码不一致问题 public void httpForCoding(String src) throws ParserException { URL u = null; HttpURLConnection con = null; // 尝试发送请求 try { u = new URL(src); con = (HttpURLConnection) u.openConnection(); con.setConnectTimeout(5*1000); con.setRequestMethod("GET"); StringBuffer buffer = new StringBuffer(); try { //一定要有返回值,否则无法把请求发送给server端。 BufferedReader br = new BufferedReader(new InputStreamReader(con.getInputStream(), "UTF-8")); String temp; while ((temp = br.readLine()) != null) { buffer.append(temp); buffer.append("\n"); } } catch (Exception e) { e.printStackTrace(); } //用parser解析输出内容 Parser parser = new Parser(); parser.setInputHTML(buffer.toString()); NodeFilter linkFilter = new NodeClassFilter(LinkTag.class); NodeList nodeList = parser.parse(linkFilter); for(int i = 0; i <= nodeList.size(); i++){ if(nodeList.elementAt(i) instanceof LinkTag){ LinkTag tag = (LinkTag) nodeList.elementAt(i); String linkUrl = tag.getLink();// url System.out.println(linkUrl); } } } catch (Exception e) { e.printStackTrace();} finally { if (con != null) { con.disconnect(); } } }
相关文章推荐
- 大型网站技术架构整理(Ch. 1-4)
- 二代旅游CMS网站管理系统使用手册(三)--计调线路团期录入
- 【服务器架构】MMORPG 常用架构介绍
- 探索大型网站技术架构(四)
- Android 5.1 Camera 架构学习(一)——Camera初始化
- Android开发实用网站收藏
- 大型网站架构可以参考的教程地址
- App 开发:Hybrid 架构下的 HTML5 应用加速方案
- [备忘录]三种方法取得网站根目录的物理路径
- 系统原理分析架构-一-DNS负载均衡
- 系统原理分析架构-开篇 (对于架构师与开发语言及被青春饭的一些想法)
- 系统原理分析架构-三--代理服务器简介及分类
- web网站架构
- 将自己的域名重定向到某网站
- SEO基础_审计已有网站_要审计的元素
- 架构师之我见
- 基于彻底解耦合的实验性iOS架构
- 《大型网站技术架构》笔记(三)
- web应用程序和网站的区别
- 大型网站架构系列:电商网站架构案例