开发者社区> 科技小能手> 正文
阿里云
为了无法计算的价值
打开APP
阿里云APP内打开

java字符串编码类型获取

简介:
+关注继续查看
源码下载地址:[url]http://download.csdn.net/source/414086[/url]

汉字编码是一项较为麻烦的事情,弄不好就会造出些谁都看不懂的乱码。比如我想做个针对汉字网站的爬虫系统,需要对非特定的页面进行数据解析处理,而此时我所访问的页面编码格式未知,如果不能正确处理页面编码,则很难获得我们理想中的数据。

通常这时候可能有几种选择:

一是根据response的ContentType获得,如果服务器支持的话此项中会返回charset数值,解析即可。但对不返回或者不支持的服务器则无能为力。

二是使用正则或自定义解析函数截取页面中‘charset=’后的数据,采取死钉战术,但万一采集的页面中没有此项或者此项有错,也就回天乏术。

三就是老老实实的解析全文,最后返回一个符合的编码格式。

此例中我演示了几种较常见编码的识别方法,通过统计编码为指定编码的或然率, 而后返回可能性最高的编码方式。在无法获得确切编码之时,这可说是一种唯一的选择。

这种识别方式主要是针对汉字编码而来,所以对应页面中的汉字数目越多,统计结果就越准确,反之则很难识别出正确结果。

Encoding.java
package org.loon.test.encoding;

/**
 * <p>
 * Title: LoonFramework
 * </p>
 * <p>
 * De.ion:编码基本类型集合
 * </p>
 * <p>
 * Copyright: Copyright (c) 2008
 * </p>
 * <p>
 * Company: LoonFramework
 * </p>
 * <p>
 * License: 
http://www.apache.org/licenses/LICENSE-2.0
 * </p>
 * 
 * 
@author chenpeng
 * @email:ceponline@yahoo.com.cn
 * 
@version 0.1
 
*/

public class Encoding {

    
// 支持的字符格式
    public static int GB2312 = 0;

    
public static int GBK = 1;
    
    
public static int BIG5 = 2;

    
public static int UTF8 = 3;

    
public static int UNICODE = 4;

    
public static int EUC_KR = 5;

    
public static int SJIS = 6;

    
public static int EUC_JP = 7;

    
public static int ASCII = 8;

    
public static int UNKNOWN = 9;

    
public static int TOTALT = 10;

    
public final static int SIMP = 0;

    
public final static int TRAD = 1;

    
// 解析名称用
    public static String[] javaname;

    
// 编码用
    public static String[] nicename;

    
// 应用于html中的字符集
    public static String[] htmlname;

    
public Encoding() {
        javaname 
= new String[TOTALT];
        nicename 
= new String[TOTALT];
        htmlname 
= new String[TOTALT];
        javaname[GB2312] 
= "GB2312";
        javaname[GBK] 
= "GBK";
        javaname[BIG5] 
= "BIG5";
        javaname[UTF8] 
= "UTF8";
        javaname[UNICODE] 
= "Unicode";
        javaname[EUC_KR] 
= "EUC_KR";
        javaname[SJIS] 
= "SJIS";
        javaname[EUC_JP] 
= "EUC_JP";
        javaname[ASCII] 
= "ASCII";
        javaname[UNKNOWN] 
= "ISO8859_1";

        
// 分配编码名称
        htmlname[GB2312] = "GB2312";
        htmlname[GBK] 
= "GBK";
        htmlname[BIG5] 
= "BIG5";
        htmlname[UTF8] 
= "UTF-8";
        htmlname[UNICODE] 
= "UTF-16";
        htmlname[EUC_KR] 
= "EUC-KR";
        htmlname[SJIS] 
= "Shift_JIS";
        htmlname[EUC_JP] 
= "EUC-JP";
        htmlname[ASCII] 
= "ASCII";
        htmlname[UNKNOWN] 
= "ISO8859-1";

        
// 分配可读名称
        nicename[GB2312] = "GB-2312";
        nicename[GBK] 
= "GBK";
        nicename[BIG5] 
= "Big5";
        nicename[UTF8] 
= "UTF-8";
        nicename[UNICODE] 
= "Unicode";
        nicename[EUC_KR] 
= "EUC-KR";
        nicename[SJIS] 
= "Shift-JIS";
        nicename[EUC_JP] 
= "EUC-JP";
        nicename[ASCII] 
= "ASCII";
        nicename[UNKNOWN] 
= "UNKNOWN";

    }


    
public String toEncoding(final int type) {
        
return (javaname[type] + "," + nicename[type] + "," + htmlname[type])
                .intern();
    }



}


Encode,java(省略,见源码)


本文转自 cping 51CTO博客,原文链接:http://blog.51cto.com/cping1982/129912

版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

相关文章
阿里Java编码手册实战详解-OOP规约
阿里Java编码手册实战详解-OOP规约
47 0
阿里Java编码手册实战详解-集合处理篇
阿里Java编码手册实战详解-集合处理篇
43 0
阿里Java编码手册实战详解-命名规范篇
阿里Java编码手册实战详解-命名规范篇
279 0
Java实现图片验证码
Java实现图片验证码
67 0
Java实现简易2编程1点比大小游戏。(玩家VS电脑)
Java实现简易21点比大小游戏。(玩家VS电脑)
48 0
Java 继承Thread类和实现Runnable接口的区别
ava中线程的创建有两种方式: 1.  通过继承Thread类,重写Thread的run()方法,将线程运行的逻辑放在其中 2.  通过实现Runnable接口,实例化Thread类     在实际应用中,我们经常用到多线程,如车站的售票系统,车站的各个售票口相当于各个线程。当我们做这个系统的时候可能会想到两种方式来实现,继承Thread类或实现Runnable接口,
1301 0
Java实现二叉查找树
二叉查找树 基本性质:对任何节点x,其左子树的任意key不大于x.key,其右子树的任意节点不小于x.key 实现集合操作 search,minimum,maximum,predecessor,successor,...
742 0
文章
问答
文章排行榜
最热
最新
相关电子书
更多
JAVA反射原理以及一些常见的应用
立即下载
Java基础入门(四)-泛型、反射、注解
立即下载
Java高级特性入门(二)
立即下载