pwlazy的专栏

原创 dom4j的乱码问题

1）背景长期运行的爬虫程序（抓取xml）突然出了问题。xml的乱码导致无法验证通过2）乱码是怎么产生的发现不同的网站返回的xml编码不一致，有的是gb2312,有的utf-8。爬虫程序将urlConnection.getInputStream() 的字节流传递给了SAXReader来构造Document可惜SAXReader还不够强悍，由于只是获取了字节流，但不知道编码方式，于是SAXReader采用了系统默认的编码方式对对待字节流，问题就出在这里。3) 未指定编码，SAXReader如何处理字节流org.