nekohtml中解析中出现中文乱码问题

最新推荐文章于 2021-05-31 03:25:19 发布

jimmy_游戏人生

最新推荐文章于 2021-05-31 03:25:19 发布

阅读量1.4k

点赞数

CC 4.0 BY-SA版权

分类专栏： java 文章标签： nekoHmtl

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/majinfei/article/details/25067735

java 专栏收录该内容

35 篇文章

订阅专栏

本文介绍了解决HTML文档解析过程中出现乱码的方法。通过调整nekohtml解析器的配置，可以忽略HTML文档中指定的字符集，从而避免因不支持的字符导致的乱码现象。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

后来，确认问题应该出现在nekohtml(HtmlParser默认使用的html文档解析包)身上，

于是下载nekohtml查看源码，发现默认情况下，如果nekohtml在页面中找到charset的设置，他将使用页面中指定的编码集，所以大量的页面都用页面中指定的GB2312进行解析，这样如果页面中存在GB2312没有包含的字符时就会出现乱码，在HtmlScanner中有一个特征(Feature),可以通过设置其值来关闭这个功能。

/**

* Ignore specified charset found in the <meta equiv='Content-Type'
* content='text/html;charset=…'>tag.
*/
public static final String IGNORE_SPECIFIED_CHARSET
="http://cyberneko.org/html/features/scanner/ignore-specified-charset";

在代码中这样做：

parser.setFeature("http://cyberneko.org/html/features/scanner/ignore-specified-charset",true);

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。