如何从网站上获取非拉丁字符？

Question

我尝试从latata.pl/pl.php获取数据并查看所有符号（polish - iso-8859-2）

 final URL url = new URL("http://latata.pl/pl.php");
    final URLConnection urlConnection = url.openConnection();
    final BufferedReader in = new BufferedReader(new InputStreamReader(
            urlConnection.getInputStream()));
    String inputLine;

    while ((inputLine = in.readLine()) != null) {
        System.out.println(inputLine);
    }
    in.close();

它不起作用。 ：（有任何想法吗？

Answer 1

InputStream阅读器有多个构造函数，您可以（应该/必须）在这些构造函数之一中指定编码。

Answer 2

您的InputStreamReader将尝试使用您的平台默认编码（很可能是UTF-8或其中一个可怕的Windows编码器）转换通过TCP连接返回的字节。 您应该明确指定编码。

假设Web服务器做得很好，您可以在其中一个HTTP头中找到正确的编码（我忘记了哪一个）。 或者你可以假设它是iso-8859-2，但这可能会破坏。

Answer 3

这个评论太长了，但谁设置了该网页？ 您？ 从我可以看到它看起来不正确。

这是你得到的：

$ telnet latata.pl 80
Trying 91.205.74.65...
Connected to latata.pl.
Escape character is '^]'.
GET /pl.php HTTP/1.0
Host: latata.pl

HTTP/1.1 200 OK
Date: Sun, 27 Feb 2011 13:49:19 GMT
Server: Apache/2
X-Powered-By: PHP/5.2.16
Vary: Accept-Encoding,User-Agent
Content-Length: 10
Connection: close
Content-Type: text/html

����ʣ��Connection closed by foreign host.

HTML简单地说：

<html>
<head></head>
<body>±ê³ó¿¡Ê£¯¬</body>
</html>

这就是您的页面从浏览器中显示的方式。 是否有正确的理由说明为什么在该HTML页面中没有指定字符集 ？

Answer 4

php脚本pl.php的输出有问题。 有一个没有声明的字符集的HTTP标头Content-Type: text/html集。 如果没有声明的字符集，客户端必须假定它是关于HTTP规范的ISO-8859-1 。 如果被解释为ISO-8859-1，被发送的身体是±ê³ó¿¡Ê£¯¬ 。

php-script ąęłóżĄĘŁŻŹ的字节代表ąęłóżĄĘŁŻŹ如果它被声明为

Content-Type: text/html; charset=ISO-8859-2

您可以使用简单的代码片段进行检查，该代码片段将错误的ISO-8859-1编码转换为ISO-8859-2：

final String test="±ê³ó¿¡Ê£¯¬";
String corrupt=new String(test.getBytes("ISO-8859-1"),"ISO-8859-2");
System.out.println(corrupt);

输出将是ąęłóżĄĘŁŻŹ ，这是一些波兰人物。

作为快速修复，在php脚本中设置charset以输出Content-Type: text/html; charset=ISO-8859-2 Content-Type: text/html; charset=ISO-8859-2作为HTTP-Header。

但是你应该考虑切换到UTF-8编码输出。

Answer 5

正如某人已经声明的那样，没有为响应指定charset编码。 强制将响应文档视为ISO-8859-2（通常在中欧使用）会导致显示合法的抛光字符，因此我假设这是实际使用的编码。 由于未指定编码，因此将假定为ISO-8859-1，因为这是默认值。

响应头需要包含标题Content-Type：text / html; charset = ISO-8859-2，用于正确解释字符代码点。 构造响应InputStream时将使用此charset。

如何从网站上获取非拉丁字符？

问题描述

5 个解决方案

解决方案1
3 已采纳 2011-02-27 13:41:34

解决方案2
3 2011-02-27 13:41:45

解决方案3
2 2011-02-27 13:55:49

解决方案4
2 2011-02-27 15:15:51

解决方案5
2 2011-02-27 15:21:22

如何从网站上获取非拉丁字符？

问题描述

5 个解决方案

解决方案1 3 已采纳 2011-02-27 13:41:34

解决方案2 3 2011-02-27 13:41:45

解决方案3 2 2011-02-27 13:55:49

解决方案4 2 2011-02-27 15:15:51

解决方案5 2 2011-02-27 15:21:22

解决方案1
3 已采纳 2011-02-27 13:41:34

解决方案2
3 2011-02-27 13:41:45

解决方案3
2 2011-02-27 13:55:49

解决方案4
2 2011-02-27 15:15:51

解决方案5
2 2011-02-27 15:21:22