用juniversalchardet解决爬虫乱码问题

原创文章，转载请注明。

        爬虫往往会遇到乱码问题。最简单的方法是根据http的响应信息来获取编码信息。但如果对方网站的响应信息不包含编码信息或编码信息错误，那么爬虫取下来的信息就很可能是乱码。

       好的解决办法是直接根据页面内容来自动判断页面的编码。如Mozilla公司的firefox使用的universalchardet编码自动检测工具。

       juniversalchardet是universalchardet的java版本。源码开源于 https://github.com/thkoch2001/juniversalchardet

       自动编码主要是根据统计学的方法来判断。具体原理，可以看http://www-archive.mozilla.org/projects/intl/UniversalCharsetDetection.html

       现在以Java爬虫常用的httpclient来讲解如何使用。看以下关键代码：

UniversalDetector encDetector = new UniversalDetector(null);
    while ((l = myStream.read(tmp)) != -1) {
        buffer.append(tmp, 0, l);
        if (!encDetector.isDone()) {
            encDetector.handleData(tmp, 0, l);
        }
    }
encDetector.dataEnd();
String encoding = encDetector.getDetectedCharset();
if (encoding != null) {
    return new String(buffer.toByteArray(), encoding);
}
encDetector.reset();

myStream.read(tmp)) 读取httpclient得到的流。我们要做的就是在读流的同时，运用juniversalchardet来检测编码，如果有符合特征的编码的出现，则最后可通过detector.getDetectedCharset()
可以得到编码，否则返回null。至此，检测工作结束，通过String的构造方法来进行按一定编码构建字符串。