C# 编码 Shift-JIS 与 utf8 html 敏捷包

Question

我有一个问题。我的目标是将一些文本从(日语 Shift-JS 编码)html 保存到 utf8 编码的文本文件中。但我真的不知道如何对文本进行编码。HtmlNode 对象是用 Shift-JS 编码的。但在我使用 ToString() 方法后，内容已损坏。到目前为止，我的方法如下所示:

public String getPage(String url)
    {
        String content = "";

        HtmlDocument page = new HtmlWeb(){AutoDetectEncoding = true}.Load(url);
        HtmlNode anchor = page.DocumentNode.SelectSingleNode("//div[contains(@class, 'article-def')]");

        if (anchor != null)
        {
            content = anchor.InnerHtml.ToString();
        }
        return content;
    }

我试过了

Console.WriteLine(page.Encoding.EncodingName.ToString());

得到:日语 Shift-JIS但是将 html 转换为 String 会产生错误。我认为应该有办法，但由于 html-agility-pack 的文档很少，而且我无法真正通过谷歌找到解决方案，我在这里也得到了一些提示。

Answer 1

好吧，AutoDetectEncoding 并不像您期望的那样工作。从我查看 AgilityPack 的源代码中发现，该属性仅在从磁盘而不是 url 加载本地文件时使用。

所以有三个选项。一种是只设置编码

OverrideEncoding = Encoding.GetEncoding("shift-jis")

如果您知道编码将始终相同，那是最简单的解决方法。

或者您可以在本地下载文件并以与现在相同的方式加载它，但您将传递文件路径而不是 url。

 using (var client=new WebClient())
 {
   client.DownloadFile(url, "20130519-OYT1T00606.htm");
 }
 var htmlWeb = new HtmlWeb(){AutoDetectEncoding = true};
 var file = new FileInfo("20130519-OYT1T00606.htm");
 HtmlDocument page = htmlWeb.Load(file.FullName);

或者您可以像这样从您的内容中检测编码:

byte[] pageBytes;
using (var client = new WebClient())
{
  pageBytes = client.DownloadData(url);
}
HtmlDocument page = new HtmlDocument();
using (var ms = new MemoryStream(pageBytes))
{
  page.Load(ms);
  var metaContentType = page.DocumentNode.SelectSingleNode("//meta[@http-equiv='Content-Type']").GetAttributeValue("content", "");
  var contentType = new System.Net.Mime.ContentType(metaContentType);
  ms.Position = 0;
  page.Load(ms, Encoding.GetEncoding(contentType.CharSet));
}

最后，如果您正在查询的页面在响应中返回内容类型，您可以查看 here了解如何获取编码。

您的代码当然需要比我的多一些空检查。 ;)