GB2312中的没有正确显示

Question

我试着从中国的网站中阅读HTML并得到它们的<title>值。所有使用UTF-8编码的网站都能正常工作，但对于GB2312网站则不适用(例如，m.39.net，它显示的是39������_�й����ȵĽ����Ż���վ而不是39健康网_中国领先的健康门户网站)。

下面是我用来实现这一目标的代码：

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");可能会提供帮助。

如果您想检测网页的字符集，据我所知，有三种方法：

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

Answer 2

你见过http://commons.apache.org/proper/commons-io/apidocs/org/apache/commons/io/IOUtils.html吗？

toString(byte[] input, String encoding)