Question

我即将下载以UTF-8编码的page。所以这是我的代码：

using (WebClient client = new WebClient())
{
    client.Headers.Add("user-agent", Request.UserAgent);

    htmlPage = client.DownloadString(HttpUtility.UrlDecode(resoruce_url));

    var KeysParsed = HttpUtility.ParseQueryString(client.ResponseHeaders["Content-Type"].Replace(" ", "").Replace(";", "&"));
    var charset = ((KeysParsed["charset"] != null) ? KeysParsed["charset"] : "UTF-8");
    Response.Write(client.ResponseHeaders);

    byte[] bytePage = Encoding.GetEncoding(charset).GetBytes(htmlPage);
    using (var reader = new StreamReader(new MemoryStream(bytePage), Encoding.GetEncoding(charset)))
    {
        htmlPage = reader.ReadToEnd();
        Response.Write(htmlPage);
    }
}

因此，它为编码设置了UTF-8。但是，下载的标题例如在我的屏幕中显示为：

Sexy cover: 60 e piÃ¹ di “quei dischi” vietati ai minori

而不是：

Sexy cover: 60 e più di “quei dischi” vietati ai minori

有些事情是错的，但我找不到。有什么想法吗？

Answer 1

问题在于，当您获得数据时，它已经被转换。

当WebClient.DownloadString执行时，它获取原始字节并使用默认编码将它们转换为字符串。损坏已经完成。您无法获取结果字符串，将其转换回字节，然后重新解释它。

换句话说，这就是发生的事情：

// WebClient.DownloadString does, essentially, this.
byte[] rawBytes = DownloadData();
string htmlPage = Encoding.Default.GetString(rawBytes);

// Now you're doing this:
byte[] myBytes = Encoding.Utf8.GetBytes(htmlPage);

但myBytes不一定与rawBytes相同。

如果您事先知道要使用的编码，则可以设置WebClient实例的Encoding属性。如果要根据Content-Type标头中指定的编码解释字符串，则必须下载原始字节，确定编码，并使用它来解释字符串。例如：

var rawBytes = client.DownloadData(HttpUtility.UrlDecode(resoruce_url));
var KeysParsed = HttpUtility.ParseQueryString(client.ResponseHeaders["Content-Type"].Replace(" ", "").Replace(";", "&"));
var charset = ((KeysParsed["charset"] != null) ? KeysParsed["charset"] : "UTF-8");

var theEncoding = Encoding.GetEncoding(charset);
htmlPage = theEncoding.GetString(rawBytes);

为什么UTF-8在这种编码上失败？

1 个答案: