HTML 中的 Java GB2312 字符串无法正确显示

Question

我正在尝试从中文网站读取 HTML 并获取它们的 <title>值(value)。所有使用 UTF-8 编码的网站都可以正常工作，但不适用于 GB2312 网站(例如 m.39.net，它显示 39������_�й����ȵĽ����Ż���վ 而不是 39健康网_中国领先的健康门户网站 )。

这是我用来完成此任务的代码:

URL url = new URL(urlstr);
URLConnection connection = url.openConnection();
inputStream = connection.getInputStream();
String content = IOUtils.toString(inputStream);

Answer 1

String content = IOUtils.toString(inputStream, "GB2312");可能会有所帮助。

如果你想检测网页的字符集，据我所知有3种方法:

1. 使用connection.getContentEncoding()获取 HTTP header 中描述的字符集；
2. 解析<meta http-equiv="Content-Type" content="text/html;charset=ISO-8859-1">或<meta charset="UTF-8">在 HTML 代码中(必须先下载 HTML 内容，然后读取几行)；
3. 使用第三方库。例如。 question中提到的那些.