如何判断一个网站是否是中文网站

2019独角兽企业重金招聘Python工程师标准>>>

思路

第一个网站必须包含中文

第二网站标签和空格都是无效的垃圾

基于以上两种思路来开发首先我们需要下载网站数据，那么现在有很多下载工具，比如

HttpClient http://hc.apache.org/

java.net.URL

htmlparser htmlparser.org/ 

等等

写程序,大致分三部走

第一步：获取网页

如何开始，首先再在网页，方法很多，不介绍，网上搜索，最简单就是用htmlparser，

第二部：除噪

使用htmlparser，直接gettext方法，得到的纯文本数据，然后正则替换掉所有的空格

第三步：

识别中文，只需要判断其中一个字符为中文就可以反悔了，

正则，个人认为比较好的方法，其他可以去网上参考参考

String s="大牛这孩";
Pattern pattern=Pattern.compile("[\u4e00-\u9fa5]");
Matcher matcher=pattern.matcher(s);
System.out.println(matcher.matches());

 

后续

如果用正则是否不需要第二部速度是否会更快，没有测试过，如果谁兴趣可以测试测试，选最优，其实写程序就是这样简单。

 

转载于:https://my.oschina.net/lovelong1/blog/174331