从http协议看无法获取网页charset的原因 - 编程入门网

作者佚名技术来源 NET编程浏览发布时间 2012-06-20

从http协议看无法获取网页charset的原因

时间:2011-02-01 csdn博客赵学庆

原始问题如下：

http://topic.csdn.net/u/20080902/02/a6445aa1-2e6b-45c6-a47c-79009718c0fa.html

html网页的内容大致如下：

<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <html> <head> <meta http-equiv="Content-Type;charset=gb2312" /> <title>CSDN首页 </title> ... </head> <body> ..... </html>

我使用以下语句抓取类似上面的网页：

URL url = new URL("http://www.csdn.net"); HttpURLConnection connection = (HttpURLConnection)url.openConnection(); //建立连接后，使用下面两句取得网页的编码格式 String contentType = connection.getHeaderField("Content-Type"); contentType = connection.getContentType();

无论是哪一句，得到的contentType的值都是text/html，而不包含后面的charset=gb2312，这是为什么？

我注意到一个问题，content="text/html; charset=gb2312"这里，在;和charset之间有一个空格，是否因为这个空格的缘故，而不能得到content-type的准确值

还有没有其他的办法可以得到页面的编码字符集？

回答：

connection.getContentType();

这个需要服务器设置了 ContentType才可以，这个数据在文件头里面，而不是在文件的主体(也就是你看到的html）里面。

所以检测页面类型需要分3步，如果这一步不行，则用下一个

1 看header里面的ContentType,也就是你用的那个方法

2 看 html 里面的 ContentType ，也就是解析html页面

3 对html数据进行自动评估，类似于it里面的自动检测编码类型。

一段典型的返回信息的Header数据

HTTP/1.1 200 OK

Date: Mon, 01 Sep 2008 23:13:31 GMT

Server: Apache/2.2.4 (Win32) mod_jk/1.2.26

Vary: Host,Accept-Encoding

Set-Cookie: JAVA2000_STYLE_ID=1; Domain=www.java2000.net; Expires=Thu, 03-Nov-2011 09:00:10 GMT; Path=/

Content-Encoding: gzip

Transfer-Encoding: chunked

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

<html>

。。。。从这里开始是数据的本体

此文收藏于：http://www.java2000.net/p9226

凌众科技专业提供服务器租用、服务器托管、企业邮局、虚拟主机等服务，公司网站：http://www.lingzhong.cn 为了给广大客户了解更多的技术信息，本技术文章收集来源于网络,凌众科技尊重文章作者的版权，如果有涉及你的版权有必要删除你的文章，请和我们联系。以上信息与文章正文是不可分割的一部分,如果您要转载本文章,请保留以上信息，谢谢!

分享到：更多

你可能对下面的文章感兴趣

上一篇: hibernate3学习笔记(三) hibernate日志配置文件log4j.properties - 编程入门网下一篇: J2EE应用程序中的数据管理和数据持久性 - 编程入门网

关于从http协议看无法获取网页charset的原因 - 编程入门网的所有评论

随机推荐