HttpClient对URL编码的处理方式解惑！

阅读更多

HttpClient是Apache基金下jakarta commons项目中的一个小项目，该项目封装了对远程地址下载的一些功能，最新版本为3.0。该项目地址：http://jakarta.apache.org/commons/httpclient

最近在编写Spider的时候就用到了HttpClient。在使用过程中发现一个有趣现象：有些URL的编码方式是utf-8，有些URL的编码方式是gbk。他总能够正确识别，但是有些他又不能识别(抓取回来后是乱码)。调用的是：httpMethod.getResponseBodyAsString();  方法。

在进行进一步分析时，发现他对在http头信息中有charset描述的就正确正常识别。如：

HTTP/1.1 200 OK
Connection: close
Content-Type: text/html; charset=utf-8
Set-Cookie: _session_id=066875c3c0530c06c0204b96db403560; domain=iteye.com; path=/
Vary: Accept-Encoding
Cache-Control: no-cache
Content-Encoding: gzip
Content-Length: 8512
Date: Fri, 16 Mar 2007 09:02:52 GMT
Server: lighttpd/1.4.13

 而没有charset描述信息时，就会是乱码。再查看相关文档时，可以指定URL的编码方式。如：HttpClientParams.setContentCharset("gbk");，指定了编码后，就能够正确识别对应编码的URL了。问题出现了，因URL编码不一样，Spider不可能把URL的编码方式写死。并且只有在抓取回来后才知道编码是否正确。于是再仔细研究一下httpclient的源代码，发现他使用编码的顺序是：http头信息的charset，如果头信息中没有charset，则查找HttpClientParams的contentCharset，如果没有指定编码，则是ISO-8859-1。

/**
   * Returns the character set from the Content-Type header.
   *
   * @param contentheader The content header.
   * @return String The character set.
   */
  protected String getContentCharSet(Header contentheader) {
      LOG.trace("enter getContentCharSet( Header contentheader )");
      String charset = null;
      if (contentheader != null) {
          HeaderElement values[] = contentheader.getElements();
          // I expect only one header element to be there
          // No more. no less
          if (values.length == 1) {
              NameValuePair param = values[0].getParameterByName("charset");
              if (param != null) {
                  // If I get anything "funny"
                  // UnsupportedEncondingException will result
                  charset = param.getValue();
              }
          }
      }
      if (charset == null) {
          charset = getParams().getContentCharset();
          if (LOG.isDebugEnabled()) {
              LOG.debug("Default charset used: " + charset);
          }
      }
      return charset;
  }


  /**
  * Returns the default charset to be used for writing content body,
  * when no charset explicitly specified.
  * @return The charset
  */
 public String getContentCharset() {
     String charset = (String) getParameter(HTTP_CONTENT_CHARSET);
     if (charset == null) {
         LOG.warn("Default content charset not configured, using ISO-8859-1");
         charset = "ISO-8859-1";
     }
     return charset;
 }

这个该死的iso-8859-1害了多少人啊(Tomcat对提交的数据处理默认也是iso-8859-1)！！

经过仔细思考后，决定httpclient再封装一次，思路如下：

1. 先不设定HttpClientParams的charset；
2. executemethod后，再检查http头信息中的charset是否存在； 
3. 如果charset存在，返回httpMethod.getResponseBodyAsString();  ；
4. 如果charset不存在，则先调用httpMethod.getResponseBodyAsString();得到html后，再分析html head的meta的charset ；
5. 从meta中分析出charset后，设置到HttpClientParams的contentCharset；
6. 再调用httpMethod.getResponseBodyAsString()，并返回该值。

经过以上思路处理后，发现抓回来的URL再也没有乱码了。爽！

以上步骤中，就是第四步稍微麻烦一些，不过，也可以利用第三方的html paser工具来分析meta的charset！

如果没有特别注明，本Blog文章岂为原创。

转贴请注明出处：    http://netbus.iteye.com