問題：
網爬工具中自動搜集頁面信息時，有的頁面出現了出現亂碼現象
原因：
讀取頁面信息是使用了錯誤的編碼類型。C#.NET從現在的類中獲取得來的編碼信息有時是錯誤的，本人認為對不是ASP.Net的應用程序，它讀過來的編碼信息都是錯誤的。
解決：
思路：必須先在運行時獲取得該頁面的編碼，再去讀取頁面的內容，這樣得來的頁面內容才不會出現亂碼現象。
方法：
1:使用ASCII編碼去讀取頁面內容。
2:使用正則表達式從讀取的頁面內容中篩選出頁面的編碼信息。上個步驟獲取的頁面信息可能會有亂碼。但HTML標志是正確的，所有可以從Html標志中得到編碼的信息。
3.用正確的編碼類型去讀取頁面信息。
如果哪位有更好的方法，請多賜教啊！
下面附上代碼：
代碼演示
using System;
using System.Collections.Generic;
using System.Text;
using System.Net;
using System.Web;
using System.IO;
using System.Text.RegularExpressions;
namespace charset
{
class Program
{
static void Main(string[] args)
{
string url = "http://www.gdqy.edu.cn";
GetCharset1(url);
GetChartset2(url);
Console.Read();
}
// 通過HttpWebResponse直接獲取頁面編碼
static void GetCharset1(string url)
{
try
{
WebRequest webRequest = WebRequest.Create(url);
HttpWebResponse webResponse = (HttpWebResponse)webRequest.GetResponse();
string charset = webResponse.CharacterSet;
string contentEncoding = webResponse.ContentEncoding;
string contentType = webResponse.ContentType;
Console.WriteLine("context type:{0}", contentType);
Console.WriteLine("charset:{0}", charset);
Console.WriteLine("content encoding:{0}", contentEncoding);
//測試或取頁面是否出現亂碼
//Console.WriteLine(getHtml(url,charset));
}
catch (UriFormatException ex)
{
Console.WriteLine(ex.Message);
}
catch(WebException ex)
{
Console.WriteLine(ex.Message);
}
}
//使用正則表達式獲取頁面編碼
static void GetChartset2(string url)
{
try
{
string html = getHtml(url,Encoding.ASCII.EncodingName);
Regex reg_charset = new Regex(@"charset\b\s*=\s*(?<charset>[^""]*)");
string enconding = null;
if (reg_charset.IsMatch(Html))
{
enconding = reg_charset.Match(Html).Groups["charset"].Value;
Console.WriteLine("charset:{0}",enconding);
}
else
{
enconding = Encoding.Default.EncodingName;
}
//測試或取頁面是否出現亂碼
//Console.WriteLine(getHtml(url,enconding));
}
catch (UriFormatException ex)
{
Console.WriteLine(ex.Message);
}
catch(WebException ex)
{
Console.WriteLine(ex.Message);
}
}
//讀取頁面內容方法
static string getHtml(string url,string encodingName)
{
try
{
WebRequest webRequest = WebRequest.Create(url);
WebResponse webResponse = webRequest.GetResponse();
Stream stream = webResponse.GetResponseStream();
StreamReader sr = new StreamReader(stream, Encoding.GetEncoding(encodingName));
string Html = sr.ReadToEnd();
return Html;
}
catch (UriFormatException ex)
{
> Console.WriteLine(ex.Message);
return null;
}
catch (WebException ex)
{
Console.WriteLine(ex.Message);
return null;
}
}
}
}
http://www.gdqy.edu.cn頁面的使用的編碼格式是：gb2312
第一個方法顯示的內容是：
context type:text/Html
charset:ISO-8859-1
content encoding:
第二個方法顯示的內容是：
charset:gb2312
所以第一個方法獲取的信息是錯誤的，第二個方法是對的。
為什麼第一個方法獲取的的編碼格式是：ISO-8859-1呢？
我用Reflector反射工具獲取了CharacterSet屬性的源代碼，從中不難看出其原因。如果能獲取出ContentType屬性的源代碼就不以看出其出錯的原因了，但是搞了許久都沒找出，如果那位那補上，那就太感謝了。
下面我附上Reflector反射工具獲取了CharacterSet屬性的源代碼，有興趣的朋友看一看。
CharacterSet源碼
public string CharacterSet
{
get
{
this.CheckDisposed();
string text1 = this.m_HttpResponseHeaders.ContentType;
if ((this.m_CharacterSet == null) && !ValidationHelper.IsBlankString(text1))
{
this.m_CharacterSet = string.Empty;
string text2 = text1.ToLower(CultureInfo.InvariantCulture);
if (text2.Trim().StartsWith("text/"))
{
this.m_CharacterSet = "ISO-8859-1";
}
int num1 = text2.IndexOf(";");
if (num1 > 0)
{
while ((num1 = text2.IndexOf("charset", num1)) >= 0)
{
num1 += 7;
if ((text2[num1 - 8] == ';') || (text2[num1 - 8] == ' '))
{
while ((num1 < text2.Length) && (text2[num1] == ' '))
{
num1++;
}
if ((num1 < (text2.Length - 1)) && (text2[num1] == '='))
{
num1++;
int num2 = text2.IndexOf(';', num1);
if (num2 > num1)
{
this.m_CharacterSet = text1.Substring(num1, num2).Trim();
break;
}
this.m_CharacterSet = text1.Substring(num1).Trim();
break;
}
}
}
}
}
return this.m_CharacterSet;
}
