抓取非英文网站的编码问题

Question

我正在尝试将网页的内容作为字符串获取，我发现这个问题解决了how to write a basic web crawler，它声称（并且似乎）处理编码问题，但是那里提供的代码适用于美国/英语网站，无法正确处理其他语言。

这是一个完整的 Java 类，它演示了我所指的内容：

import java.io.IOException;
import java.io.InputStreamReader;
import java.io.Reader;
import java.io.UnsupportedEncodingException;
import java.net.HttpURLConnection;
import java.net.MalformedURLException;
import java.net.URL;
import java.util.regex.Matcher;
import java.util.regex.Pattern;


public class I18NScraper
{
    static
    {
        System.setProperty("http.agent", "");
    }

    public static final String IE8_USER_AGENT = "Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; WOW64; Trident/4.0; SLCC1; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; InfoPath.2)";

  //https://stackoverflow.com/questions/1381617/simplest-way-to-correctly-load-html-from-web-page-into-a-string-in-java
    private static final Pattern CHARSET_PATTERN = Pattern.compile("text/html;\\s+charset=([^\\s]+)\\s*");
    public static String getPageContentsFromURL(String page) throws UnsupportedEncodingException, MalformedURLException, IOException {
        Reader r = null;
        try {
            URL url = new URL(page);
            HttpURLConnection con = (HttpURLConnection)url.openConnection();
            con.setRequestProperty("User-Agent", IE8_USER_AGENT);

            Matcher m = CHARSET_PATTERN.matcher(con.getContentType());
            /* If Content-Type doesn't match this pre-conception, choose default and 
             * hope for the best. */
            String charset = m.matches() ? m.group(1) : "ISO-8859-1";
            r = new InputStreamReader(con.getInputStream(),charset);
            StringBuilder buf = new StringBuilder();
            while (true) {
              int ch = r.read();
              if (ch < 0)
                break;
              buf.append((char) ch);
            }
            return buf.toString();
        } finally {
            if(r != null){
                r.close();
            }
        }
    }

    private static final Pattern TITLE_PATTERN = Pattern.compile("<title>([^<]*)</title>");
    public static String getDesc(String page){
        Matcher m = TITLE_PATTERN.matcher(page);
        if(m.find())
            return m.group(1);
        return page.contains("<title>")+"";
    }

    public static void main(String[] args) throws UnsupportedEncodingException, MalformedURLException, IOException{
        System.out.println(getDesc(getPageContentsFromURL("http://yandex.ru/yandsearch?text=%D0%A0%D0%B5%D0%B7%D1%83%D0%BB%D1%8C%D1%82%D0%B0%D1%82%D0%BE%D0%B2&lr=223")));
    }
}

哪些输出：

??????????? — ??????: ??????? 360 ??? ???????

虽然它应该是：

Результатов — Яндекс: Нашлось 360 млн ответов

你能帮我理解我做错了什么吗？尝试强制 UTF-8 之类的方法无济于事，尽管它是源代码和 HTTP 标头中列出的字符集。

Answer 1

确定正确的字符集编码可能很棘手。

你需要结合使用

a) HTML META Content-Type 标签：

<META http-equiv="Content-Type" content="text/html; charset=EUC-JP">

b) HTTP 响应标头：

Content-Type: text/html; charset=utf-8

c) 从字节中检测字符集的启发式方法（参见this question）

三个都用的原因是：

1. (a) 和 (b) 可能缺失
2. META Content-Type 可能有误（请参阅this question）

如果 (a) 和 (b) 都丢失了怎么办？

在这种情况下，您需要使用一些启发式方法来确定正确的编码 - 请参阅 this question。

我发现这个序列对于可靠地识别 HTML 页面的字符集编码是最可靠的：

1. 使用 HTTP 响应标头 Content-Type（如果存在）
2. 对响应内容字节使用编码检测器
3. 使用 HTML META 内容类型

但您可以选择交换 2 和 3。

Answer 2

Apache Tika 包含您想要的实现。许多人为此使用它。您还可以查看 Apache Nutch。另一方面，您根本不必实现自己的爬虫。

Answer 3

您看到的问题是您的 Mac 上的编码不支持西里尔字母。我不确定在 Oracle JVM 上是否如此，但当 Apple 生产自己的 JVM 时，the default character encoding for Java was MacRoman.

启动程序时，指定file.encoding 系统属性以将字符编码设置为UTF-8（这是Mac OS X 默认使用的）。请注意，您必须在启动时设置它：java -Dfile.encoding=UTF-8 ...;如果您以编程方式设置（调用System.setProperty()），则为时已晚，该设置将被忽略。

每当 Java 需要将字符编码为字节时——例如，当它将文本转换为字节以写入标准输出或错误流时——它将使用默认值，除非您明确指定不同的值。如果默认编码无法对特定字符进行编码，则替换为合适的替换字符。

如果编码可以处理所使用的 Unicode 替换字符 U+FFFD、(�)。否则，问号 (?) 是常用的替换字符。