EntityUtils.toString(entity)处理字符集问题解决

爬取51job和猎聘网的信息，想处理字符集问题（51job为gbk，猎聘为utf-8），

找到两个网站字符集信息都在同一标签下

就想先把网页保存成string，解析一遍获取字符集，然后将网页转换成对应的正确的字符集，最后再转换成统一的字符集utf-8

1.0实现，2次调用entity.utils.tostring方法

closeablehttpresponse httpresponse = httpclient.execute(httpget);
            if(httpresponse.getstatusline().getstatuscode() == 200) {
                //网站转为string
                string get_charset_entity2string = entityutils.tostring(httpresponse.getentity());
                //解析
                document get_charset_document = jsoup.parse(get_charset_entity2string);
                //字符集信息提取，51job和猎聘
                string charset = get_charset_document.select("meta[http-equiv=content-type]")
                        .attr("content").split("=")[1];
                system.out.println(charset);
                //根据字符集重新编码成正确的
                string ori_entity = entityutils.tostring(httpresponse.getentity(),charset);
                //转换为统一的utf-8
                string entity = new string(ori_entity.getbytes(),"utf-8");
                system.out.println(entity);
　　　　　　　　{

报错

 

参考 https://blog.csdn.net/qq_23145857/article/details/70213277

发现entityutils流只存在一次，但是有不想一个网页要连接两次，

这难不倒我，直接转换原来保留的string

2.0实现，第二次不使用entityutils

closeablehttpresponse httpresponse = httpclient.execute(httpget);
            if(httpresponse.getstatusline().getstatuscode() == 200) {
                //网站转为string
                string get_charset_entity2string = entityutils.tostring(httpresponse.getentity());
                //解析
                document get_charset_document = jsoup.parse(get_charset_entity2string);
                //字符集信息提取，51job和猎聘
                string charset = get_charset_document.select("meta[http-equiv=content-type]")
                        .attr("content").split("=")[1];
                system.out.println(charset);
                //根据字符集重新编码成正确的，不用entityutils，直接转get_charset_entity2string
                string ori_entity = new string(get_charset_entity2string.getbytes(), charset);
                //转换为统一的utf-8
                string entity = new string(ori_entity.getbytes(),"utf-8");
                system.out.println(entity);
　　　　　　　　{

输出：

 

 字符集依旧有问题,发现不指定字符集，entityutils.tostring()就用"iso-8859-1"字符集,可我就是不知道字符集

看到参考链接下面的解决办法，眼前一亮，把流直接以位数组保存，都能灵活变换

3.0实现，不使用entityutils.tostring，改用entityutils.tobytearray()　　　　　　　　

closeablehttpresponse httpresponse = httpclient.execute(httpget);
            if(httpresponse.getstatusline().getstatuscode() == 200) {
　　　　　　　　　　//网站转换为byte[]
                byte[] bytes = entityutils.tobytearray(httpresponse.getentity());
                //byte列表转为默认字符集
                string get_charset_entity2string = new string(bytes);
                //解析
                document get_charset_document = jsoup.parse(get_charset_entity2string);
                //字符集信息提取，51job和猎聘
                string charset = get_charset_document.select("meta[http-equiv=content-type]")
                        .attr("content").split("=")[1];
                system.out.println(charset);
                //根据字符集重新编码成正确的
                string ori_entity = new string(bytes, charset);
                //转换为统一的utf-8
                string entity = new string(ori_entity.getbytes(), "utf-8");
                system.out.println(entity);
　　　　　　　　}

对于里面的默认字符集

参考：https://blog.csdn.net/wangxin1949/article/details/78974037

• 1、如果使用了eclipse，由java文件的编码决定
• 2、如果没有使用eclipse，则有本地电脑语言环境决定，中国的都是默认gbk编码，

只要没有改变英文的编码，就没有影响，只要能从标签里提取出charset字符集就可以转换成正确的

 

输出正常

 

 

换成猎聘的url再尝试

 

 完美，爬虫的字符集真神奇