WebSpider提取编码方法总结

概要：

1，通过分析Header提取编码
2，通过分析BOM(Byte Order Mark)提取编码
3，通过分析页面的meta提取编码
4，通过字节流分析检测编码


正文：

总结一下。目前有四种方法

1,通过分析Header提取编码。

这个也是比较简单。也是大家常用的，不过既然是总结。那还是帖一下代码吧。

复制  保存

WebRequest webRequest = WebRequest.Create(url);
HttpWebResponse webResponse = (HttpWebResponse) webRequest.GetResponse();
Regex reg_charset = new Regex(@"charset/b/s*=/s*(?<charset>[^""]*)");
WebHeaderCollection headers = webResponse.Headers;
string encodingName = string.Empty;
string contentType = headers["Content-Type"];
if (contentType.IndexOf("charset") > 0 && reg_charset.IsMatch(ContentType))
{
    encodingName = reg_charset.Match(contentType).Groups["charset"].Value;
}

2，通过分析BOM(Byte Order Mark)提取编码

复制  保存

string encodingName = string.Empty;
WebRequest webRequest = WebRequest.Create(url);
HttpWebResponse webResponse = (HttpWebResponse) webRequest.GetResponse();
Stream stream = webResponse.GetResponseStream();
byte[] htmlByte = GetByteContent(stream);
string codingName = string.Empty;

Encoding encoding = Encoding.UTF8;
byte[] bomByte = encoding.GetPreamble();
if (htmlByte.Length > bomByte.Length && htmlByte[0] == bomByte[0] 
    && htmlByte[1] == bomByte[1] && htmlByte[2] == bomByte[2])
{
    codingName = "utf-8";
}

encoding = Encoding.Unicode;
bomByte = encoding.GetPreamble();
if (codingName == string.Empty && htmlByte.Length > bomByte.Length
    && htmlByte[0] == bomByte[0] && htmlByte[1] == bomByte[1])
{
    codingName = "unicode";
}

encoding = Encoding.UTF32;
bomByte = encoding.GetPreamble();
if (codingName == string.Empty && htmlByte.Length > bomByte.Length 
    && htmlByte[0] == bomByte[0] && htmlByte[1] == bomByte[1]
    && htmlByte[2] == bomByte[2] && htmlByte[3] == bomByte[3])
{
    codingName = "utf-32";
}

encoding = Encoding.BigEndianUnicode;
bomByte = encoding.GetPreamble();
if (codingName == string.Empty && htmlByte.Length > bomByte.Length 
    && htmlByte[0] == bomByte[0] && htmlByte[1] == bomByte[1])
{
    codingName = "utf-16";
}

说明：上面的用到的GetByteContent方法，在3中有;


3,通过分析页面的meta提取编码

这个也是大家常用。但是这里不需要抓两次。一次就可以分析了
说明：上面的用到的GetByteContent方法，在3中有;
3,通过分析页面的meta提取编码
这个也是大家常用。但是这里不需要抓两次。一次就可以分析了

复制  保存

string encodingName = string.Empty;
WebRequest webRequest = WebRequest.Create(url);
HttpWebResponse webResponse = (HttpWebResponse) webRequest.GetResponse();
Stream stream = webResponse.GetResponseStream();
byte[] htmlByte = GetByteContent(stream);
stream.Close();
string temp = Encoding.GetEncoding("utf-8").GetString(htmlByte);
string reg_charset = "(<meta[^>]*charset=(?<charset>[^>'/"]*)[//s//S]*?>)|(xml[^>]+encoding=(/"|')*(?<charset>[^>'/"]*)[//s//S]*?>)";
Regex r = new Regex(reg_charset, RegexOptions.IgnoreCase);
Match m = r.Match(temp);
encodingName = (m.Captures.Count != 0) ? m.Result("${charset}") : "";

string html = Encoding.GetEncoding(encodingName).GetString(htmlByte);


//GetByteContent函数

private byte[] GetByteContent(Stream stream)
{
    ArrayList arBuffer = new ArrayList();

    byte[] buffer = new byte[1024];
    int offset = 1024;
    int count = stream.Read(buffer, 0, offset);
    while (count > 0)
    {
        for (int i = 0; i < count; i++)
        {
            arBuffer.Add(buffer[i]);
        }
        count = stream.Read(buffer, 0, offset);
    }

    return (byte[]) arBuffer.ToArray(System.Type.GetType("System.Byte"));
}

4，通过字节流分析检测编码

就是一个byte一个byte的分析。网上的高手太多了，我这等菜鸟就不在这里献丑了。
已经有网友写出来了。高手Lion出品。2K多行代码。；）*—￥……#……#%……
我测试下。效果不错！可以从下面的URL获得需要的信息
http://www.cnblogs.com/lion.net/archive/2005/02/24/108395.html


5，一点问题

我在测试中。通过

复制  保存

StreamReader sr = new StreamReader(stream, Encoding.GetEncoding("utf-8"));

和

复制  保存

StreamReader sr = new StreamReader(stream, Encoding.UTF8);

结果竟然是不同的(前者正常，后者乱码)。
而Encoding.UTF8.Equals(Encoding.GetEncoding("utf-8"))是true 
有那位朋友知道原因的。诚请指教。thanks!