|
HttpClient是Apache基金下jakarta
commons項(xiàng)目中的一個(gè)小項(xiàng)目，該項(xiàng)目封裝了對(duì)遠(yuǎn)程地址下載的一些功能，最新版本為3.0。該項(xiàng)目地址：http://jakarta./commons/httpclient
最近在編寫Spider的時(shí)候就用到了HttpClient。在使用過(guò)程中發(fā)現(xiàn)一個(gè)有趣現(xiàn)象：有些URL的編碼方式是
utf-8，有些URL的編碼方式是gbk。他總能夠正確識(shí)別，但是有些他又不能識(shí)別(抓取回來(lái)后是亂碼)。調(diào)用的是：httpMethod.getResponseBodyAsString();
方法。
在進(jìn)行進(jìn)一步分析時(shí)，發(fā)現(xiàn)他對(duì)在http頭信息中有charset描述的就正確正常識(shí)別。如：
- HTTP/1.1 200 OK
- Connection: close
- Content-Type: text/html; charset=utf-8
- Set-Cookie: _session_id=066875c3c0530c06c0204b96db403560; domain=; path=/
- Vary: Accept-Encoding
- Cache-Control: no-cache
- Content-Encoding: gzip
- Content-Length: 8512
- Date: Fri, 16 Mar 2007 09:02:52 GMT
- Server: lighttpd/1.4.13
而沒(méi)有charset描述信息時(shí)，就會(huì)是亂碼。再查看相關(guān)文檔時(shí)，可以指定URL的編碼方式。如：HttpClientParams.setContentCharset("gbk");，
指定了編碼后，就能夠正確識(shí)別對(duì)應(yīng)編碼的URL了。問(wèn)題出現(xiàn)了，因URL編碼不一樣，Spider不可能把URL的編碼方式寫死。并且只有在抓取回來(lái)后才
知道編碼是否正確。于是再仔細(xì)研究一下httpclient的源代碼，發(fā)現(xiàn)他使用編碼的順序是：http頭信息的
charset，如果頭信息中沒(méi)有charset，則查找HttpClientParams的contentCharset，如
果沒(méi)有指定編碼，則是ISO-8859-1。
-
-
-
-
-
-
- protected String getContentCharSet(Header contentheader) {
- LOG.trace("enter getContentCharSet( Header contentheader )");
- String charset = null;
- if (contentheader != null) {
- HeaderElement values[] = contentheader.getElements();
-
-
- if (values.length == 1) {
- NameValuePair param = values[0].getParameterByName("charset");
- if (param != null) {
-
-
- charset = param.getValue();
- }
- }
- }
- if (charset == null) {
- charset = getParams().getContentCharset();
- if (LOG.isDebugEnabled()) {
- LOG.debug("Default charset used: " + charset);
- }
- }
- return charset;
- }
-
-
-
-
-
-
-
- public String getContentCharset() {
- String charset = (String) getParameter(HTTP_CONTENT_CHARSET);
- if (charset == null) {
- LOG.warn("Default content charset not configured, using ISO-8859-1");
- charset = "ISO-8859-1";
- }
- return charset;
- }
這個(gè)該死的iso-8859-1害了多少人啊(Tomcat對(duì)提交的數(shù)據(jù)處理默認(rèn)也是iso-8859-1)??！
經(jīng)過(guò)仔細(xì)思考后，決定httpclient再封裝一次，思路如下：
- 先不設(shè)定HttpClientParams的charset；
- executemethod后，再檢查http頭信息中的charset是否存在；
- 如果charset存在，返回httpMethod.getResponseBodyAsString(); ；
- 如果charset不存在，則先調(diào)用httpMethod.getResponseBodyAsString();得到
html后，再分析html head的meta的charset
<meta http-equiv="Content-Type" content="text/html;
charset=UTF-8">；
- 從meta中分析出charset后，設(shè)置到HttpClientParams的contentCharset；
- 再調(diào)用httpMethod.getResponseBodyAsString()，并返回該值。
經(jīng)過(guò)以上思路處理后，發(fā)現(xiàn)抓回來(lái)的URL再也沒(méi)有亂碼了。爽！
以上步驟中，就是第四步稍微麻煩一些，不過(guò)，也可以利用第三方的html paser工具來(lái)分析meta的charset！
如果沒(méi)有特別注明，本Blog文章豈為原創(chuàng)。
轉(zhuǎn)貼請(qǐng)注明出處： http://netbus.
|
