获取html页面时如何选择合适的Encoding-优快云博客

本文介绍了一种通过HTTP头部信息中的charset参数来确定HTML页面编码的方法，并提供了一个.NET示例程序来展示如何根据页面的实际编码正确读取内容。

当我们通过webrequest或其它socket方式获取一个html页面时，获取到的是一个tcp流，保存后也是一个字节数组。为了获取它的信息，还需将其解析为字符串。

解析的方式很简单，下面两句话即可轻松完成。

var reader = new StreamReader(rsp.GetResponseStream());
var html = reader.ReadToEnd();

常用.net的IO库的朋友一看就知道，这种方式无法对中文页面解析，解析出来的中文是乱码，为了正确的解析中文，还需要选择合适的编码方式。

然而，中文的编码方式有很多种，常见的就有gb2312、utf-8、utf-16等。我以前通常是直接使用Encoding.Default来获取系统默认编码方式。这种方式大多数情况下使用，然而对于那些采用utf-8等方式的网页就无法解析。

如何获取页面的编码方式呢？答案在httphead的头信息中的charset信息中。然而有些网页却不包含charset的httphead。对于这些网页，大可以像我以前那样直接用系统默认编码。

一个简单的示例如下：

    static void Main(string[] args)
    {
        string url = "http://www.163.com";

        var req = WebRequest.Create(url);
        var rsp = req.GetResponse() as HttpWebResponse;

        var match = System.Text.RegularExpressions.Regex.Match(rsp.Headers.ToString(), "charset=(.+)");

        var encodname = match.Groups[1].Value.Trim();
        var encoder = match.Success ? Encoding.GetEncoding(encodname) : Encoding.Default;
        var reader = new StreamReader(rsp.GetResponseStream(), encoder);
        var html = reader.ReadToEnd();
        Console.WriteLine(html);
    }