沒有http-equiv元標記且字符集的HTML文件可能不是UTF-8

Question

我們正在使用jsoup-非常感謝。

我們可能會獲得沒有http-equiv元標記的HTML文件，並且字符集可能不是UTF-8。 請問如何最好地處理這個問題。 我們可以列出一些編碼，然后嘗試使用它們，但是我不確定如何以編程方式告訴您是否出了問題。 jsoup會拋出IOException嗎？

Answer 1

Jsoup將嘗試通過內容類型標頭或http equiv標簽確定編碼，如果您都不使用utf8 ，則將使用utf8 。 不知道jsoup是否可以在這里為您做更多的事情。

但是您可以嘗試另一種方法：

實現一個為您讀取文件的類。 在那里您可以解決所有編碼問題。 結果，這樣的類應該為您提供正確的編碼字符串，或者至少為您的輸入使用編碼。

(html input) --> [encoding class] --normalized encoding--> [jsoup] --> (whatever)   

現在，Jsoup可以使用已知的編碼來解析該輸入。

我猜不可能對html創建內容進行更改，不是嗎？

一些進一步的閱讀：

• http://illegalargumentexception.blogspot.co.uk/2009/05/java-rough-guide-to-character-encoding.html#javaencoding_autodetect
• 字符編碼檢測算法
• 什么是最准確的編碼檢測器？ （包括實現列表）
• Java文本文件編碼
• 在Java中檢測（或最佳猜測）傳入的字符串編碼