1

Есть следующая задача: выгрузить html-файл, правильно определив его кодировку. У меня уже имеется объект URL, представляющий данный файл. Из этого объекта я получаю InputStream, которую могу просто побайтово впихнуть в файл, однако тогда я не определю кодировку. Возникло несколько вопросов:

1) Допустим, я уже определил кодировку. Я так понял что её надо будет использовать при чтении html-файла, точнее когда я создам объект InputStreamReader(InputStream in, String charsetName). Т.е. в параметре charsetName как раз надобно указать определённую мной кодировку. Это так?

2) Насколько я знаю, кодировку можно вытащить из самого документа. Один из способов -- разобрать тег <meta charset="charsetName">. Если его нет в выгружаемом файле (т.е. кодировка в файле на сервере не указана), нужно ли писать этот тег в записываемый локальный файл (т.е. указать кодировку, полученную другим способом)?

3) Далее насколько мне известно, кодировка может быть указана в HTTP-ответе сервера, в хедере которого должно присутствовать поле Content-Type: text/html; charset=charsetName. Насколько я понял, это лучший способ получить кодировку. Используя объект класса URL я могу создать объекты классов URLConnection и HttpURLConnection. Далее я не знаю как мне вытащить кодировку. У меня есть четыре варианта:

  • а) URLConnection.getContentType() (видимо, должно вернуть поле Content-Type)

  • б) URLConnection.getContentEncoding() (видимо, то что мне нужно, но я не уверен)

  • в) HttpURLConnection.responseMessage (поле защищённое, придётся расширить класс и доставать поле Content-Type)

  • г) HttpURLConnection.getHeaderField(int n) (необходимо указать номер поля, и тогда метод вернёт String этого поля)

Я склоняюсь к варианту б), однако не совсем уверен вернёт ли он мне то что нужно. Кроме того, не очень понятно что будет возвращено если сервер не указал кодировку. Насколько я знаю, есть соглашение об использовании дефолтной кодировки, будет ли она возвращена в таком случае?

2
  • Вы вроде описали все варианты, что мешает взять и попробовать и выбрать тот вариант, который лучше всего подойдет вам?
    – Vartlok
    Commented 28 авг. 2015 в 9:56
  • Просто на docs.oracle описания методов довольно скупы, а у меня мало опыта чтобы быть 100% уверенным в том, что эти методы не могут вернуть мне то, что мне не нужно.
    – hunter
    Commented 28 авг. 2015 в 10:06

1 ответ 1

3

Метод getContentEncoding() — это другое. Там пишется, например, что содержимое потока зазиповано. Метод getContentType() вам лучше подходит: там как раз будет строка вида "text/html; charset=charsetName". Вообще лучше для общения с HTTP-сервером использовать какую-нибудь библиотеку, например, Apache HttpClient. Там есть класс ContentType, который может распарсить эту строку. Пользоваться как-то так:

HttpClient client = new DefaultHttpClient();
HttpResponse response = client.execute(new HttpGet(url.toURI()));
HttpEntity entity = response.getEntity();
ContentType contentType = ContentType.getOrDefault(entity);
Charset charSet = contentType.getCharset();
InputStream urlStream = entity.getContent(); // отсюда дальше читать как обычно

Ваш ответ

Нажимая «Отправить ответ», вы соглашаетесь с условиями пользования и подтверждаете, что прочитали политику конфиденциальности.

Всё ещё ищете ответ? Посмотрите другие вопросы с метками или задайте свой вопрос.