Javaレスポンスボディの自動検出を自動検出します。

Question

Webページをダウンロードして本文を処理するプログラムがあります。特にヘッダーやHTMLコンテンツに情報が追加されていない場合は、自動的に検出し、応答の文字列やHTML本体の文字エンコーディングを評価するJavaの方法はありますか？

Answer 1

Mozillaのエンコード検出ライブラリのJavaポートであるjuniversalchardetをご覧ください。

エンコードがUTF-8かどうかを確認するサンプルプログラムです。私は示唆している代替の答えとして

protected static boolean validUTF8(byte[] input) { 
    UniversalDetector detector = new UniversalDetector(null); 
    detector.handleData(input, 0, input.length); 
    detector.dataEnd(); 
    if ("UTF-8".equals(detector.getDetectedCharset())) { 
    return true; 
    } 
    return false; 
} 

Answer 2

： URLConnection.guessContentTypeFromStream(InputStream is)しかしストリームは、マーキングと guessContentTypeFromName(String fname)（はい、私はそれが愚かな音を知っているが、それは非常に効率的である）をサポートしている必要があります。

もちろん、まずHttpURLConnection本体のストリームをこのように取得する必要があります。InputStream is = response.getInputStream();