c# 获取网页源码，自动判断编码格式新方法！
因采集需求，想解决网页编码识别问题。网上提出了很多方法。比如根据文件头字节判断，或根据网页的charset标识符判断。
我在实际应用中，这些方法都有各自的不足，比如有的网页charset写的是gbk，但实际是utf8。
于是想了一个个人认为比较新鲜的方法。将html下载回来后，做一份utf8副本和一份gbk副本，然后将utf8转换为bytes，判断bytes内是否有乱码标识（连续三个byte表示为239 191 189），如果有，则表示为乱码，直接使用gbk，如果没有，则表示没有乱码，直接使用utf8。
下面看看我的代码：
获取html
var data = new System.Net.WebClient { }.DownloadData(this.textBox1.Text); //根据textBox1的网址下载html var r_utf8 = new System.IO.StreamReader(new System.IO.MemoryStream(data),Encoding.UTF8); //将html放到utf8编码的StreamReader内 var r_gbk = new System.IO.StreamReader(new System.IO.MemoryStream(data), Encoding.Default); //将html放到gbk编码的StreamReader内 var t_utf8 = r_utf8.ReadToEnd(); //读出html内容 var t_gbk = r_gbk.ReadToEnd(); //读出html内容 if (!isLuan(t_utf8)) //判断utf8是否有乱码 { htm = t_utf8; this.Text = "utf8"; } else { htm = t_gbk; this.Text = "gbk"; } this.textBox2.Text = htm; 判断是否有乱码
bool isLuan(string txt) { var bytes = Encoding.UTF8.GetBytes(txt); //239 191 189 for (var i = 0; i < bytes.Length; i++) { if(i < bytes.Length - 3) if (bytes[i] == 239 && bytes[i + 1] == 191 && bytes[i + 2] == 189) { return true; } } return false; }雕虫小技，在此献丑了！暂时没发现问题，欢迎大家测试反馈！谢谢！
TAG:
