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。
首先HtmlParser中有个设置编码的方法:
这里一个小插曲仍然需要注意,这个方法要在setUrl这个方法之后调用。据我的推测,是因为HtmlParser自己会检测网页的编码,而且是在setUrl方法之后自己执行。所以有这样的情况,网页文件的编码是utf-8的,但是网页的charset是gbk的,那么HtmlParser就会按照gbk来做,你会发现乱码问题。
我这里遇到的更为奇怪的问题是,用setUrl来让HtmlParser自己下载网页,然后抽取出来的中文乱码问题。据我的推测,是因为HtmlParser的编码并不完全,因为抽取出来的大部分是正确地,唯独一些生僻字是乱码,也就是传说中的gb2312和gbk的问题了,前一个编码集合在标准中是很少的,这部分比如“囧”之类的就会是乱码。所以我猜测对于gbk等中文编码,他是按照gb2312来转换成utf-8的,所以部分字体是乱码。
我的解决办法是自己下载网页,自己转换编码,然后直接用HtmlParser的setResource来设置自己转化之后的网页。也就是替它完成其他编码到utf-8编码的转换工作。自己写一个文件转换的函数:
这里的示例比较粗暴,哈哈。然后
就可以抽取出正确地中文信息了。
总体来说HtmParser是很出色的工具,简单易懂,和chrome的“开发人员工具”结合起来,抽取结构化html非常的容易。