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

来源：互联网发布：网页编辑的软件编辑：程序博客网时间：2024/05/18 03:34

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：

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();                }            }            }

1 0