java字符集編碼的自動識別（字符需要編碼機器才能識別）

本文目錄一覽：

• 1、JAVA 在抓取網頁 怎麼自動識別它的網頁編碼
• 2、java中編碼與解碼分別指什麼？
• 3、幾種判斷字符集編碼的方法（Java） 未完
• 4、Java: 如何知道一個字符串當前是什麼字符集?

JAVA 在抓取網頁 怎麼自動識別它的網頁編碼

JAVA 在抓取網頁 怎麼自動識別它的網頁編碼

1. 看HttpHeader裏面是否有一定的encoding; 或者看HTML頁面頁面的encoding

meta http-equiv=”Content-Language” content=”zh-CN” /

meta http-equiv=”Content-Type” content=”text/html; charset=utf-8″ /

2. 如果沒拋異常, socket就認為只是一直等待, 不知道是否可以設置超時時間, socket肯定是可以的

java中編碼與解碼分別指什麼？

java中編碼：URLEncoder.encode(strUri,”utf-8″);

java中解碼碼：URLDecoder.decode(strUri,”utf-8″);

java編碼和解碼        

流讀取文件，具有轉換編碼功能的有：OutputStreamWriter和InputStreamReader，

構造器有如：

InputStreamReader(InputStream in, String charsetName)

創建使用指定字符集的 InputStreamReader。

OutputStreamWriter(OutputStream out, String charsetName)

創建使用指定字符集的 OutputStreamWriter。

處理字符串編碼問題：

重新對獲取的字符串進行編碼：Byte[] bytes = str.getBytes(String encodeCharsetNam);

重新對bytes進行解碼，創建新的字符串對象：str = new String(Byte[] bytes,String decodeCharsetName);

一般結合使用：str = new String(str.getBytes(String encodeCharsetName),String decodeCharsetName);

例如：resultName=new String(username.getBytes(“ISO-8859-1″),”UTF-8”);

還可以加入判斷：

if(!Charset.forName(“gbk”).newEncoder().canEncode(str)){str = new Strin(str.getBytes(“ISO-8859-1″),”UTF-8”);}else{str = new String(str.getBytes(“ISO-8859-1″),”gbk”);}

處理請求參數傳遞編碼問題：

java中編碼：URLEncoder.encode(strUri,”utf-8″);

java中解碼碼：URLDecoder.decode(strUri,”utf-8″);

js中編碼：encodeURIComponent(strUri);encodeURI(strUri);escape(str);

js中解碼：decodeURIComponent(strUri);decodeURI(strUri);unescape(str);

補充概念：

URI組件：主機、端口、路徑、查詢參數、片段等。

URI組件分隔符：:/?#[]@,冒號用於分隔協議和主機，/用於分隔主機和 路徑，?用於分隔路徑和查詢參數，用於分隔多個查詢參數等。

URI中的不安全字符或保留字符： ! * 『 ( ) ; : @ = + $ , / ? # [ ] 他們具有特殊作用，例如上面的分隔作用。

URI允許出現的字符：只允許包含英文字母（a-zA-Z）、數字（0-9）、-_.~4個特殊字符以及所有保留字符，其他字符均需要經過編碼之後才能出現在Url中，比如使用保留字符的原意，而不是特殊作用。

js向java/jsp的編碼與解碼：

js中編碼：encodeURI(encodeURI(strUri));decodeURIComponent(decodeURIComponent(strUri));

java/jsp中解碼： java.net.URLDecoder.decode(strUri,”UTF-8″);

js中編碼兩次的問題：如果使用一次編碼，在瀏覽器地址欄里，瀏覽器認為%是個轉義字符，瀏覽器會把%與%之間的編碼值，兩位兩位取出後進行解碼。

然後再傳遞給處理頁面，然後由處理頁面進行再次解碼，這樣前面就缺少了一次編碼過程，所以前面需要連續兩次編碼。

幾種判斷字符集編碼的方法（Java） 未完

如果是Java的String對象的話，則一定是Unicode的，這個沒有為什麼，Java就是這麼定的。

我猜你的問題應該是如何判斷一段位元組流是什麼編碼類型，對嗎？比如一個文件，或是網絡上面取下來的一段Byte數組，你需要用一個合適的編碼來解析成字符串。

這個讓你失望了，沒有一個文檔化的，確定的方法來判斷，只能用測試的方法，這個方法也只是猜測，不能百分百的確定，方法如下：

用常見的編碼方式對位元組流進行解碼，比如Unicode，UTF8， UTF8 without BOM, UTF16, ANSI等等。

對解析的結果進行判斷，是不是一個合理的可打印字符，可打印字符最多的解碼方式就是最可能的編碼了。

如何判斷可打印字符？流程如下：把解析好的字符串按照字符進行遍歷，把每一個字符轉化成Unicode編碼，看看這些編碼是不是Unicode的支持範圍極客。

如果發現有種編碼方式都是可打印字符，那麼再使用本步驟：對字符串進行分詞，分詞這個在此不作贅述，你自己再研究一下。分詞效果好的就是最可能的編碼了。（不過通常到第三步就能搞定了，第四部絕大部分用不着）

Java: 如何知道一個字符串當前是什麼字符集?

判斷java字符串的字符集有多種方法，我們一一討論如下：

1、通過把未知編碼字符串,用猜想的編碼再解碼,觀察字符串是不是正確還原了。

原理:假如目標編碼沒有數組中的字符,那麼編碼會破壞,無法還原。

缺點:假如字符少,而正巧錯誤的猜想編碼中有這種位元組,就會出錯。

如:new String(“tested str”.getBytes(“enc”),”enc”)

2、大多數時候,我們只要判斷本地平台編碼和utf8,utf8編碼相當有規律,所以可以分析是否是utf8,否則使用本地編碼。

原理:分析byte[]來判斷規律。

缺點:有時,個別本地編碼位元組在utf8中也會出現,導致出錯,需要分析。

如：判斷是否utf-8代碼：

public static boolean isValidUtf8(byte[] b,int aMaxCount){

int lLen=b.length,lCharCount=0;

for(int i=0;i

byte lByte=b[i++];//to fast operation, ++ now, ready for the following for(;;)

if(lByte=0) continue;//=0 is normal ascii

if(lByte(byte)0xc0 || lByte(byte)0xfd) return false;

int lCount=lByte(byte)0xfc?5:lByte(byte)0xf8?4

:lByte(byte)0xf0?3:lByte(byte)0xe0?2:1;

if(i+lCountlLen) return false;

for(int j=0;j=(byte)0xc0) return false;

}

return true;

}

3.按編碼規則,一字字比照。

優點是錯物更少,缺點是太費資源。