Heritrix的Extractor中文乱码

z_jingwei

关于Heritrix的Extractor中文乱码
关键字：Heritrix 中文 乱码 GB2312 Extractor

继承从org.archive.crawler.extractor.Extractor的子类，在extract方法中可以从参数CrawlURI中取出要解析的内容。

curi.getHttpRecorder().getReplayCharSequence.toString()

有中文时，不做处理会输出乱码。可以在取到的HttpRecorder后设置编码：

HttpRecorder hr = curi.getHttpRecorder();
if ( hr == null ) {
    throw new IOException( "Why is recorder null here?" );
}
hr.setCharacterEncoding( "gb2312" );
cs = hr.getReplayCharSequence();
System.out.println( cs.toString() );



本文来自ChinaUnix博客，如果查看原文请点：http://blog.chinaunix.net/u/5033/showart_391206.html