JSOUP教程，JSOUP 乱码处理，JSOUP生僻字乱码解决方案

JSON 2017-05-13 21:28:49 46807

JSOUP乱码情况产生

这几天我用 JSOUP 多线程的方式，爬取了200 多万数据，数据为各地的地名相关。结果有小部分数据，不到 1 万乱码。我先检查了我的编码为UTF-8 ，觉得应该没有问题。代码基本如下如下：

    try{
    	doc = Jsoup.connect(url)
    		.header("User-Agent", "Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:49.0) Gecko/20100101 Firefox/49.0")
    		.header("Connection", "close")//如果是这种方式，这里务必带上
    		.timeout(8000)//超时时间
    		.get();
    } catch (Exception e) {//可以精确处理timeoutException
    	//超时处理
    }

而我后来我查看了对方的页面编码，发现对方的页面编码为 GBK ，而返回数据为GB2312 ，那我们先尝试一下GBK 。

JSOUP乱码解决

其实在这里如果返回的 Document 乱码，就不用去再做转码了。比如有同学类似这样：

String str = new String(docStr.getBytes("GBK"), "UTF-8");

其实没有太大作用， JSOUP 支持在请求的时候，传入URL 对象，然后设置编码。如下方式才是正解，设置编码为GBK 。

doc = Jsoup.parse(new URL(url).openStream(), "GBK", url);

如果对方是UTF-8 ，那就设置为UTF-8 ，对应页面的编码，怎么看页面的编码？

这里会显示返回的编码类型和返回的类型，如text/html ，application/json 等等。

还有一种方式查看页面编码。右键页面源码，如下图所示：

这里顺便贴一下，编码设置后并且设置请求头信息的模拟。较为详细的 Demo 。

URL url = new URL("https://www.sojson.com");
HttpURLConnection connection = (HttpURLConnection)url.openConnection();
//默认就是Get，可以采用post，大小写都行，因为源码里都toUpperCase了。
connection.setRequestMethod("GET");
//是否允许缓存，默认true。
connection.setUseCaches(Boolean.FALSE);
//是否开启输出输入，如果是post使用true。默认是false
//connection.setDoOutput(Boolean.TRUE);
//connection.setDoInput(Boolean.TRUE);
//设置请求头信息
connection.addRequestProperty("Connection", "close");
//设置连接主机超时（单位：毫秒）  
connection.setConnectTimeout(8000);  
 //设置从主机读取数据超时（单位：毫秒）  
connection.setReadTimeout(8000);    
//设置Cookie
connection.addRequestProperty("Cookie","你的Cookies" );
//开始请求
Document doc = Jsoup.parse(connection.getInputStream(), "GBK", "https://www.sojson.com");

//TODO ---

哦了，还有问题加群交流吧！QQ群：259217951。