昨天用java抓取html文件，獲取下來的html文件打開總是帶有亂碼，弄了半天搞定了。其實(shí)要避免亂碼的一個(gè)好方法：沒有必要去判斷頁面的編碼方式，只要讀取的數(shù)據(jù)按字節(jié)（而不是按字符）保存起來就可以了，后綴為html文件，然后用瀏覽器打開，肯定是正常的。
分析的原因：在網(wǎng)絡(luò)上傳送的數(shù)據(jù)是基于字節(jié)流的，我們要在屏幕上顯示的時(shí)候要將字節(jié)流按某種字符集解碼成String的形式，在java中就是將字節(jié)流按某種格式解碼成Unicode，在將數(shù)據(jù)寫入文件的時(shí)候，又要將String按某種格式編碼成字節(jié)流，當(dāng)兩次的編碼不一致的時(shí)候，就會(huì)造成亂碼。所以在抓取網(wǎng)頁進(jìn)行保存的時(shí)候，可以直接將得到的字節(jié)流保存到文件中就可以了。
字節(jié)流與字符流主要的區(qū)別是他們的的處理方式：
字節(jié)流是最基本的，所有的InputStream和OutputStream的子類都是,主要用在處理二進(jìn)制數(shù)據(jù)，它是按字節(jié)來處理的。
實(shí)際中很多的數(shù)據(jù)是文本，又提出了字符流的概念，它是按虛擬機(jī)的encode來處理，也就是要進(jìn)行字符集的轉(zhuǎn)化。
在實(shí)際開發(fā)中出現(xiàn)的亂碼問題實(shí)際上都是在字符流和字節(jié)流之間轉(zhuǎn)化不統(tǒng)一而造成的。
注：URLConnection的連接、超時(shí)、關(guān)閉用法總結(jié)對(duì)于我們常用的GBK中，英文是占用1個(gè)字節(jié)，中文是2個(gè)；
對(duì)于UTF-8，英文是1個(gè)，中文是3個(gè)；
對(duì)于Unicode，英文中文都是2個(gè)。
下面一段代碼是用來抓取并保存到本地的java程序。
import java.io.FileOutputStream;

import java.io.IOException;

import java.io.InputStream;

import java.net.MalformedURLException;

import java.net.URL;

 

public class Test {

public static void main(String[] argc) {

URL url = null;

FileOutputStream fos = null;

InputStream is;

try {

for (int i = 0; i < 1; i++) {

url = new URL("http://tomfish88.iteye.com/");

byte bytes[] = new byte[1024 * 1000];

int index = 0;

is = url.openStream();

int count = is.read(bytes, index, 1024 * 100);

while (count != -1) {

index += count;

count = is.read(bytes, index, 1);

}

fos = new FileOutputStream("test.html");

System.out.println(index);

fos.write(bytes, 0, index);

is.close();

fos.close();

}

} catch (MalformedURLException e) {

e.printStackTrace();

} catch (IOException e) {

e.printStackTrace();

}

}

}