HtmlParser 2.0 中文乱码问题

最新推荐文章于 2021-06-03 14:37:47 发布
转载 最新推荐文章于 2021-06-03 14:37:47 发布 · 1k 阅读 · 0
文章标签：

#string #html #工具 #工作

本文介绍了如何修改HTMLParser2.0工具包中的Page.java文件，将默认字符集从ISO-8859-1更改为gb2312，以正确解析包含中文字符的HTML文件。同时，详细解释了为什么默认设置会导致乱码问题，并提供了重新编译和压缩工具包为.jar文件的方法，以便在项目中调用。

   对于HTMLParser 2.0 工具包我们需要修改其中的Page.java文件使其适用中文的html文件分析。
  

  主要是把protected static final String DEFAULT_CHARSET = "ISO-8859-1"；
  修改成protected static final String DEFAULT_CHARSET = "gb2312"；

  主要是兼容 charset = 'GBK '声明的页面。


--因为采用默认的字符集"ISO-8859-1"对含有中文的html文件进行分析的时候就会出现乱码。必须进行new String(str.getBytes("ISO-8859-1")，"GB2312")的转换工作。

这样做比较麻烦。

对于修改好的htmlparser工具包，需要重新编译压缩成.jar文件，供项目调用。  

htmlparser2.0
12-13
包括需要使用的htmlparser的所有package，它和httpclient.jar联合用于网页分析、过滤等效果更好。
htmlParser2.0.jar
04-25
html解析器, 可满足90%以上的需求,可以分析自定义的标签, 开源项目, 最近4年没有修改记录, 2011.04.24有人再次进行了提交. 最新的htmlParser
HTML Parser 2.0正式发布(自行翻译)
proglifezpp的专栏
04-26 1529
最近用HTMLPARSER 做个小项目,很是关注其最新版本,到http://sourceforge.net,找到最新版本2.0,自行翻译2.0版本介绍.发布人:derrickoswald 时间:2006-09-17 13:43 摘要:HTML Parser 2.0新功能 在Sourceforge 上非常流行的HTML Parser工程(http://sourceforge.net/proj
htmlparser 乱码总结2
miketom155的专栏
05-06 1160
package org.htmlparser.lexer;       import java.io.ByteArrayInputStream;       import java.io.IOException;       import java.io.InputStream;       import java.io.InputStreamReader;       import j
htmlparser.jar 源码加jar包 彻底解决乱码
02-23
一个彻底重写的htmlparser包，里面有源码，重写了两个类，彻底解决爬取网页时出现编码异常的问题！直接引用用里面的包就可以使用！
HTMLParser 2.0
11-13
同时，需要注意的是，HTMLParser默认不处理编码问题，所以在解析前需要确保HTML内容已经被正确地解码。 在实际开发中，结合requests库获取网页内容，然后使用HTMLParser进行解析，是构建网络爬虫的基本流程之一。...
htmlparser2.0_dll+htmlparserAPI
11-22
`HTMLParser-2[1].0-API.CHM`文件是HTMLParser2.0的API参考手册，它包含了详细的API文档，为开发者提供了如何使用这个库的指南。通过这个手册，开发者可以学习如何创建解析器实例，设置解析选项，注册事件处理器，...
HtmlParser2.0
01-10
最新网页解析工具包，提取网页中的你想要的信息
HtmlParser处理gbk编码网页抽取乱码的问题
killtayoto的专栏
12-28 4883
HtmlParser作为我很喜欢的html的DOM抽取工具，常常在我的工作中起到很关键的作用。最近在使用过程中发现一个诡异的问题，那就是处理gbk编码的网页的问题。
彻底解决 HtmlParser 乱码问题！ 总结
Sand哥的博客
07-26 3223
彻底解决HtmlParser 乱码以及 HtmlParser org.htmlparser.util.EncodingChangeException
关于htmlparsr在显示繁体中文时出现乱码的原因分析和解决方法
shadowlin的专栏
04-05 1067
最近发现用htmlparser解析一些网页时,繁体中文会变成乱码.分析了下原因,发现在用stringbean的时候htmlparser会自己根据meta来决定用哪种内码来解码,而有的网站在meta中是用gb2312来做charset,实际应用的时候又用到了gbk.gb2312是不能表示繁体的,所以就出现了乱码.解决的办法很简单,gbk是兼容gb2312的,所以在htmlparser的page.ja
python html.parser 解析器乱码解决
FlyPig_Ren的博客
02-08 789
Soup = BeautifulSoup(f.read(), 'lxml')#由于版本问题lxml不可用，可以换成 Soup = BeautifulSoup(f.read(), 'html.parser'） html.parser解析出的中文乱码，需要 Soup = BeautifulSoup(f.read(), 'html.parser', from_encoding="gb18030") 在后面带上参数 ...
通过HtmlParser和HttpClient抽取网页关键字并解决乱码问题
liqing08229的专栏
01-24 4356
基于HtmlParser和HttpClient抽取网页关键字，主要抽取网页的title、description、和keywords。HttpClient主要用来访问网页，而HtmlParser主要用来解析返回的html，但是在解析html的过程中，要根据网页的编码进行转换，不然会造成乱码，大多数网页的标签都会指定网页的编码，所以我们要将网页的编码一起解析出来，在来进行编码的转换。import ja
使用Htmlparser解析网页的一种方法（除去中文乱码）
蓝天上，白云飘；茶碗中，加瓦游
01-20 266
import java.lang.reflect.InvocationTargetException; import java.lang.reflect.Method; import java.net.HttpURLConnection; import java.net.URL; import org.htmlparser.Node; import org.htmlparser.Prot...
htmlParser收集记录（2）
我的梦想，我去追！
12-25 299
 1、 简介 htmlparser是一个纯的java写的html解析的库，它不依赖于其它的java库文件，主要用于改造或提取html。它提供了接口，支持线性和嵌套HTML文本。在实际的项目中只需要将htmlparser.jar 导入classpath中，就可以使用HTMLParser提供的API了。 2、 主要应用 HTML Parser项目主要可以用在以下两个方面： 1）． 信息提取 · 文本信...
html页面到服务器上乱码,网页乱码问题
weixin_33794626的博客
06-03 2035
很多新手朋友学习PHP的时候，发现程序中的中文在输出的时候会出现乱码的问题，那么为什么会出现这种乱码的情况呢？一般来说，乱码的出现有2种原因：一种是由于编码(charset) 设置错误，导致浏览器以错误的编码来解析，从而出现了满屏乱七八糟的“天书”第二种就是文件被以错误的编码打开，然后保存，比如一个文本文件原先是GB2312编码的，却以UTF-8编码打开再保存，就会出现乱码的问题。使用dos系统操...
liunx 中文乱码 和 html转图片中文乱码问题处理方式以及linux中文字体包
son_of_a__bitch的博客
10-30 2406
项目场景： 在使用freemark模板生成Html转为img文件的时。 问题描述： 提示： 在转成图片时会出现中文乱码。 html生成的图片的代码： 但是当前代码在window系统的时候生成一直成功，但是在linux系统中就是乱码，小方块。这里就想到了可能是系统字体问题，于是百度。 final File f = new File(tempFilePath,inputFilename); if(!f.getParentFile().exists()){
HTMLPARSER2.0 JDK包中文搜索功能缺失问题解析
从提供的描述来看，HTMLPARSER2.0 JDK包似乎配备了帮助文档，但目前尚未有中文版本。这意味着如果开发者需要使用这一库，他们将依赖英文文档，这可能会给不熟悉英文的开发人员带来一定障碍。另外，这份帮助文档具备...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
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。

余额充值