在HTML中检测字符编码

Question

我下载了一个HTML页面。 HTTP内容类型标头指定一个字符编码，页面具有指定另一个的meta标记。处理这个问题的正确方法是什么？

我认为'正确'不是正确的词，因为无论如何都没有人遵守该死的标准......那么导致我最少问题的方式是什么？

Answer 1

与webbrowsers一样：使用响应标头。当通过HTTP提供HTML时，如果存在响应标头，则元标记忽略。仅当从本地磁盘文件系统读取HTML时，才使用元标记。这也由w3 HTML spec明确指定。

  

总而言之，符合要求的用户代理必须   请注意以下优先事项   确定文档的字符   编码（从最高优先级到   最低）：

     

  
1. “Content-Type”字段中的HTTP“charset”参数。
  
2. 将“http-equiv”设置为“Content-Type”的META声明   为“charset”设置的值。
  
3. 在指定外部的元素上设置的charset属性   资源。
  

您使用的任何语言中任何现有的体面HTML解析器都应该考虑到这一点。根据您的问题历史，您熟悉Java，我建议您为此获取Jsoup。