java判断网页的编码格式

在爬取内容时，遇到乱码问题。故需对网页内容编码格式做判断，方式大体分为三种：一、从header标签中获取Content-Type=#Charset；二、从meta标签中获取Content-Type=#Charset；三、根据页面内容分析编码格式。

其中一/二方式并不能准确指示该页面的具体编码方式，周全考虑，加入第三种方式。

第三种方式引入开源jar包info.monitorenter.cpdetector，可以从github上面下载(https://github.com/onilton/cpdetector-maven-repo/tree/master/info/monitorenter/cpdetector/1.0.10)下载。整个代码如下：

 import info.monitorenter.cpdetector.io.ASCIIDetector;
 import info.monitorenter.cpdetector.io.ByteOrderMarkDetector;
 import info.monitorenter.cpdetector.io.CodepageDetectorProxy;
 import info.monitorenter.cpdetector.io.JChardetFacade;
 import info.monitorenter.cpdetector.io.ParsingDetector;
 import info.monitorenter.cpdetector.io.UnicodeDetector;

 import java.io.ByteArrayInputStream;
 import java.io.IOException;
 import java.io.InputStream;
 import java.net.MalformedURLException;
 import java.net.URL;
 import java.net.URLConnection;
 import java.nio.charset.Charset;
 import java.util.List;
 import java.util.Map;

 import org.apache.commons.io.IOUtils;

 public class PageEncoding {
     /**    测试用例
      * @param args
      */
     public static void main(String[] args) {

         String charset = getEncodingByContentStream("http://www.baidu.com");

         System.out.println(charset);
     }

     /**
      * 从header中获取页面编码
      * @param strUrl
      * @return
      */
     public static String getEncodingByHeader(String strUrl){
         String charset = null;
         try {
             URLConnection urlConn = new URL(strUrl).openConnection();
             // 获取链接的header
             Map<String, List<String>> headerFields = urlConn.getHeaderFields();
             // 判断headers中是否存在Content-Type
             if(headerFields.containsKey("Content-Type")){
                 //拿到header 中的 Content-Type ：[text/html; charset=utf-8]
                 List<String> attrs = headerFields.get("Content-Type");
                 String[] as = attrs.get(0).split(";");
                 for (String att : as) {
                     if(att.contains("charset")){
 //                        System.out.println(att.split("=")[1]);
                         charset = att.split("=")[1];
                     }
                 }
             }
             return charset;
         } catch (MalformedURLException e) {
             e.printStackTrace();
             return charset;
         } catch (IOException e) {
             e.printStackTrace();
             return charset;
         }
     }

     /**
      * 从meta中获取页面编码
      * @param strUrl
      * @return
      */
     public static String getEncodingByMeta(String strUrl){
         String charset = null;
         try {
             URLConnection urlConn = new URL(strUrl).openConnection();
             //避免被拒绝
             urlConn.setRequestProperty("User-Agent", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36");
             // 将html读取成行,放入list
             List<String> lines = IOUtils.readLines(urlConn.getInputStream());
             for (String line : lines) {
                 if(line.contains("http-equiv") && line.contains("charset")){
 //                    System.out.println(line);
                     String tmp = line.split(";")[1];
                     charset = tmp.substring(tmp.indexOf("=")+1, tmp.indexOf("\""));
                 }else{
                     continue;
                 }
             }
             return charset;
         } catch (MalformedURLException e) {
             e.printStackTrace();
             return charset;
         } catch (IOException e) {
             e.printStackTrace();
             return charset;
         }
     }

     /**
      * 根据网页内容获取页面编码
      *     case : 适用于可以直接读取网页的情况(例外情况:一些博客网站禁止不带User-Agent信息的访问请求)
      * @param url
      * @return
      */
     public static String getEncodingByContentUrl(String url) {
         CodepageDetectorProxy cdp = CodepageDetectorProxy.getInstance();
         cdp.add(JChardetFacade.getInstance());// 依赖jar包 ：antlr.jar & chardet.jar
         cdp.add(ASCIIDetector.getInstance());
         cdp.add(UnicodeDetector.getInstance());
         cdp.add(new ParsingDetector(false));
         cdp.add(new ByteOrderMarkDetector());

         Charset charset = null;
         try {
             charset = cdp.detectCodepage(new URL(url));
         } catch (MalformedURLException e) {
             e.printStackTrace();
         } catch (IOException e) {
             e.printStackTrace();
         }
         System.out.println(charset);
         return charset == null ? null : charset.name().toLowerCase();
     }

     /**
      * 根据网页内容获取页面编码
      *     case : 适用于不可以直接读取网页的情况,通过将该网页转换为支持mark的输入流,然后解析编码
      * @param strUrl
      * @return
      */
     public static String getEncodingByContentStream(String strUrl) {
         Charset charset = null;
         try {
             URLConnection urlConn = new URL(strUrl).openConnection();
             //打开链接,加上User-Agent,避免被拒绝
             urlConn.setRequestProperty("User-Agent", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36");

             //解析页面内容
             CodepageDetectorProxy cdp = CodepageDetectorProxy.getInstance();
             cdp.add(JChardetFacade.getInstance());// 依赖jar包 ：antlr.jar & chardet.jar
             cdp.add(ASCIIDetector.getInstance());
             cdp.add(UnicodeDetector.getInstance());
             cdp.add(new ParsingDetector(false));
             cdp.add(new ByteOrderMarkDetector());

             InputStream in = urlConn.getInputStream();
             ByteArrayInputStream bais = new ByteArrayInputStream(IOUtils.toByteArray(in));
             // detectCodepage(InputStream in, int length) 只支持可以mark的InputStream
             charset = cdp.detectCodepage(bais, 2147483647);
         } catch (MalformedURLException e) {
             e.printStackTrace();
         } catch (IOException e) {
             e.printStackTrace();
         }
         return charset == null ? null : charset.name().toLowerCase();
     }
 }

注意的点：

1.info.monitorenter.cpdetector未在mvn-repository中开源，因而无法从mvn-repository中下载，需要将该jar下到本地，然后手动导入到本地repository，mvn命令如下：

mvn install:install-file -Dfile=jar包的位置 -DgroupId=该jar的groupId -DartifactId=该jar的artifactId -Dversion=该jar的version -Dpackaging=jar

然后在pom.xml中添加该jar的依赖

<!-- charset detector -->
<dependency>
    <groupId>info.monitorenter.cpdetector</groupId>
    <artifactId>cpdetector</artifactId>
    <version>1.0.10</version>
</dependency>

2.JChardetFacade.getInstance()在引入antlr.jar和chardet.jar之前会报异常，在pom.xml中添加这两个jar的dependency:

<!-- antlr -->
<dependency>
    <groupId>antlr</groupId>
    <artifactId>antlr</artifactId>
    <version>2.7.7</version>
</dependency>
<!-- ChardetFacade -->
<dependency>
    <groupId>net.sourceforge.jchardet</groupId>
    <artifactId>jchardet</artifactId>
    <version>1.0</version>
</dependency>

如果是普通项目则无需关心pom.xml，直接把这三个jar包下载下来然后添加到该项目的环境中即可