HttpClient對URL編碼的處理方式解惑！

 HttpClient是Apache基金下jakarta commons項目中的一個小項目，該項目封裝了對遠程地址下載的一些功能，最新版本爲3.0。該項目地址：http://jakarta.apache.org/commons/httpclient

最近在編寫Spider的時候就用到了HttpClient。在使用過程中發現一個有趣現象：有些URL的編碼方式是utf-8，有些URL的編碼方式是gbk。他總能夠正確識別，但是有些他又不能識別(抓取回來後是亂碼)。調用的是：httpMethod.getResponseBodyAsString(); 方法。

在進行進一步分析時，發現他對在http頭信息中有charset描述的就正確正常識別。如：

HTTP/1.1 200 OK   
Connection: close   
Content-Type: text/html; charset=utf-8  
Set-Cookie: _session_id=066875c3c0530c06c0204b96db403560; domain=javaeye.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  

而沒有charset描述信息時，就會是亂碼。再查看相關文檔時，可以指定URL的編碼方式。如：HttpClientParams.setContentCharset("gbk");，指定了編碼後，就能夠正確識別對應編碼的URL了。問題出現了，因URL編碼不一樣，Spider不可能把URL的編碼方式寫死。並且只有在抓取回來後才知道編碼是否正確。於是再仔細研究一下httpclient的源代碼，發現他使用編碼的順序是：http頭信息的charset，如果頭信息中沒有charset，則查找HttpClientParams的contentCharset，如果沒有指定編碼，則是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;
}

這個該死的iso-8859-1害了多少人啊(Tomcat對提交的數據處理默認也是iso-8859-1)！！

經過仔細思考後，決定httpclient再封裝一次，思路如下：

先不設定HttpClientParams的charset；
executemethod後，再檢查http頭信息中的charset是否存在；
如果charset存在，返回httpMethod.getResponseBodyAsString(); ；
如果charset不存在，則先調用httpMethod.getResponseBodyAsString();得到html後，再分析html head的meta的charset <meta http-equiv="Content-Type" content="text/html; charset=UTF-8">；
從meta中分析出charset後，設置到HttpClientParams的contentCharset；
再調用httpMethod.getResponseBodyAsString()，並返回該值。
經過以上思路處理後，發現抓回來的URL再也沒有亂碼了。爽！

以上步驟中，就是第四步稍微麻煩一些，不過，也可以利用第三方的html paser工具來分析meta的charset！