爬虫乱码处理方法.doc

《爬虫乱码处理方法.doc》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、1、乱码的解决方法根据原因来找解决方法，就非常简单了。(1)确定源网页的编码A编码A往往在网页中的三个位置，httpheader的content、网页的metacharset中、网页头中Document定义中。在获取源网页编码时，依次判断下这三部分数据即可，从前往后，优先级亦是如此。理论上这样做是对的，但国内一些网站确是很不符合规范，比如写的gbk，实际是utf-8，有的是写的utf-8，但实际是gbk，当然这是很少的一批网站，但确实存在。所以在确定网页编码时，应该对该特殊情况做特别处理，如中文检查、默认

2、编码等策略。还有一种情况，是以上三者中均没有编码信息，则一般采用cpdetector等第三方网页编码智能识别工具来做，其原理即为统计字节数组的特征来概率计算得出实际编码，有一定的准确率，但我实际的时候发现，其准确率还是很有限的。但综合上述的三种编码确认方式后，几乎可以完全解决中文乱码问题，在我基于nutch1.6二次开发的网络爬虫系统中，编码正确经统计可以达到99.99%，也证明了上述方法策略的可行性。（2）程序通过编码B对源网页数据还原显然，这里的B是要和A相等的，在java中，如得到的源网页的字节数组

3、为source_byte_array，那么经过转换为Stringstr=newString(source_byte_array,B);即在内存上这些字节数组对应的字符是正确编码和可显示的，此时的打印输出结果是正常的，此步骤往往用于debug或是控制台输出做测试。（3）统一转码网络爬虫系统数据来源很多，不可能使用数据时，再转化为其原始的数据，假使这样做是很废事的。所以一般的爬虫系统都要对抓取下来的结果进行统一编码，从而在使用时做到一致对外，方便使用。此时即是在（2）的基础上，做一个统一的编码转换即可，在ja

4、va中的实现如下源网页的字节数组为source_byte_array转换为正常的字符串：Stringnormal_source_str=newString(source_byte_array,C),此时可以用javaapi直接存储，但往往不直接写入字符串，因为一般的爬虫存储都是多个源网页存储到一个文件中，所以要记录字节偏移量，故下一步。再将得到的str转换为统一的编码C格式的字节数组,则byte[]new_byte_array=normal_source_str.getBytes(C)即可，此时即可用ja

5、vaioapi将数组写入文件，并记录相应的字节数组偏移量等，待真正使用时，直接io读取即可。   一，通过httpheader中的content_type中的charset来获得，该编码是最准确的。     二，通过得到源网页的meta的charset来获得编码。     三，通过智能探测，如cpdetector，它是目前口碑最好的java实现的智能探测编码，是基于统计实现的，所以注定会有一定的错误率，经过我的实测，若干特殊网页，它确实是不准确的，如网页的meta中charset和实际的浏览器识别的正常显

6、示的charset不相同的情况，它的识别也是错误的，所以最后我坚决没用它，而用了基于简单规则的方式，实际测试1000个种子网址证明，没发现任何乱码，除了一个站点它自身是乱码之外。   重点说下乱码的解决策略：     一、首先读取httpheader中的content_type的charset,如果有，则认定该charset是肯定准确的，直接做为解码的编码格式即可。      二、再按系统默认编码即UTF-8，去按行读取源网页中的meta和title的值，由于这两个值均为英文标签，所以在获取时肯定不会受到

7、乱码的影响，故可以按UTF-8方式准确获取charset和title的值，此时的title有可能是乱码。     三、由于有不少中文站点中，虽然meta中的charset显示的是utf-8或是GBK，但实际的浏览器解析到的正常编码正好相反为gbk或是UTF-8，面对这种特例，而又发现只有在国内的站点会有如此情况，故做规则如下：          （1）首先判断此时的title若均为标点、字母、数字、中英文符号、GB18030的中文字符等，则认为此次的默认编码就是源网页的实际编码，而不管获得的charset

8、是怎样的，并将charset设成为系统的默认编码utf-8。          （2）如果title满足第(1)条件，则用得到的charset去解码原始的字节流(如果charset就是utf-8，则省略后一步，直接将该charset作为实际的编码处理，即utf-8，原因在于很多俄文、西里尔文的标题多是UTF-8编码，但均不属于中文行列）。并获取新解析出来的源网页字符串的title。此时的新解码的charset即为最终的源网页认