Java-爬行非英语网站的编码问题

我试图以字符串的形式获取网页的内容,但发现了一个问题how to write a basic web crawler,该问题声称(似乎)处理了编码问题,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,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")));
    }
}

哪个输出：

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

虽然应该是：

Результатов — Яндекс: Нашлось 360 млн ответов

您能帮我了解我在做什么错吗？尝试强制执行UTF-8之类的操作无济于事,尽管这是源和HTTP标头中列出的字符集.

解决方法:

您看到的问题是Mac上的编码不支持西里尔文字.我不确定在Oracle JVM上是否如此,但是当Apple生产自己的JVM时,是the default character encoding for Java was MacRoman.

启动程序时,请指定file.encoding系统属性以将字符编码设置为UTF-8(这是Mac OS X默认使用的字符).请注意,必须在启动时进行设置：java -Dfile.encoding = UTF-8 …;如果您以编程方式设置它(通过调用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,在将文本转换为字节以写入标准输出或错误流时),除非您明确指定其他字符,否则它将使用默认值.如果默认编码无法编码特定字符,则将替换一个合适的替换字符.

如果编码可以处理Unicode替换字符U FFFD,则使用(.)否则,问号(？)是常用的替换字符.

标签：encoding,utf-8,java,internationalization,web-crawler
来源： https://codeday.me/bug/20191207/2087163.html