Posted by & filed under Uncategorized.

About 李远

Yuan Li has written 16 post in this blog.

汉字编码是一项较为麻烦的事情,弄不好就会造出些谁都看不懂的乱码。比如我想做个针对汉字网站的爬虫系统,需要对非特定的页面进行数据解析处理,而此时我所访问的页面编码格式未知,如果不能正确处理页面编码,则很难获得我们理想中的数据。

通常这时候可能有几种选择:

一是根据response的ContentType获得,如果服务器支持的话此项中会返回charset数值,解析即可。但对不返回或者不支持的服务器则无能为力。

二是使用正则或自定义解析函数截取页面中‘charset=’后的数据,采取死钉战术,但万一采集的页面中没有此项或者此项有错,也就回天乏术。

三就是老老实实的解析全文,最后返回一个符合的编码格式。

此例中我演示了几种较常见编码的识别方法,通过统计编码为指定编码的或然率, 而后返回可能性最高的编码方式。在无法获得确切编码之时,这可说是一种唯一的选择。

这种识别方式主要是针对汉字编码而来,所以对应页面中的汉字数目越多,统计结果就越准确,反之则很难识别出正确结果。

Encoding.java
package org.loon.test.encoding;

/**
 * <p>
 * Title: LoonFramework
 * </p>
 * <p>
 * De.ion:编码基本类型集合
 * </p>
 * <p>
 * Copyright: Copyright (c) 2008
 * </p>
 * <p>
 * Company: LoonFramework
 * </p>
 * <p>
 * License: http://www.apache.org/licenses/LICENSE-2.0
 * </p>
 *
 * @author chenpeng
 * @email:ceponline@yahoo.com.cn
 * @version 0.1
 */
public class Encoding {

    // 支持的字符格式
    public static int GB2312 = 0;

    public static int GBK = 1;

    public static int BIG5 = 2;

    public static int UTF8 = 3;

    public static int UNICODE = 4;

    public static int EUC_KR = 5;

    public static int SJIS = 6;

    public static int EUC_JP = 7;

    public static int ASCII = 8;

    public static int UNKNOWN = 9;

    public static int TOTALT = 10;

    public final static int SIMP = 0;

    public final static int TRAD = 1;

    // 解析名称用
    public static String[] javaname;

    // 编码用
    public static String[] nicename;

    // 应用于html中的字符集
    public static String[] htmlname;

    public Encoding() {
        javaname = new String[TOTALT];
        nicename = new String[TOTALT];
        htmlname = new String[TOTALT];
        javaname[GB2312] = “GB2312”;
        javaname[GBK] = “GBK”;
        javaname[BIG5] = “BIG5”;
        javaname[UTF8] = “UTF8”;
        javaname[UNICODE] = “Unicode”;
        javaname[EUC_KR] = “EUC_KR”;
        javaname[SJIS] = “SJIS”;
        javaname[EUC_JP] = “EUC_JP”;
        javaname[ASCII] = “ASCII”;
        javaname[UNKNOWN] = “ISO8859_1”;

        // 分配编码名称
        htmlname[GB2312] = “GB2312”;
        htmlname[GBK] = “GBK”;
        htmlname[BIG5] = “BIG5”;
        htmlname[UTF8] = “UTF-8”;
        htmlname[UNICODE] = “UTF-16”;
        htmlname[EUC_KR] = “EUC-KR”;
        htmlname[SJIS] = “Shift_JIS”;
        htmlname[EUC_JP] = “EUC-JP”;
        htmlname[ASCII] = “ASCII”;
        htmlname[UNKNOWN] = “ISO8859-1”;

        // 分配可读名称
        nicename[GB2312] = “GB-2312”;
        nicename[GBK] = “GBK”;
        nicename[BIG5] = “Big5”;
        nicename[UTF8] = “UTF-8”;
        nicename[UNICODE] = “Unicode”;
        nicename[EUC_KR] = “EUC-KR”;
        nicename[SJIS] = “Shift-JIS”;
        nicename[EUC_JP] = “EUC-JP”;
        nicename[ASCII] = “ASCII”;
        nicename[UNKNOWN] = “UNKNOWN”;

    }

    public String toEncoding(final int type) {
        return (javaname[type] + “,” + nicename[type] + “,” + htmlname[type])
                .intern();
    }


}

Leave a Reply

  • (will not be published)