jsoup 获取 html 页面乱码,所有的“囧”字全部变成了“？”，求解答

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

这是一个创建于 3454 天前的主题，其中的信息可能已经有所发展或是发生改变。

用JSOUP抓取该网页： http://it.ithome.com/category/47_1.html
其他字符都正常，就是“囧”乱码了，求解答。，比如“佩戴Apple Watch的一天：?事太多”
public class Main {

public static void main(String[] args) throws IOException {
    Document jsoup = Jsoup.connect("http://it.ithome.com/category/47_1.html").get();
    System.out.println(jsoup.html());
}

}

Jsoup

public

main

11 条回复 • 2015-06-06 23:16:35 +08:00

l12ab

2015-06-05 23:36:11 +08:00

编码？换UTF8试试？

wy315700

2015-06-05 23:40:00 +08:00

zonghua

2015-06-06 00:48:05 +08:00 via iPhone

编码！！

zonghua

2015-06-06 00:49:10 +08:00 via iPhone

@wy315700 使用jsoup获取一个表格有什么奇技淫巧？用什么来装？

FrankFang128

2015-06-06 00:49:33 +08:00

我还以为你说的是 jsonp，原来是 jsoup，长得好像。 XD

imn1

2015-06-06 01:12:03 +08:00

作为开发人员，应该了解一下gb2312和gbk的区别
至少知道这两者用于显示和用于程序编码两种情况的适用范围

Septembers

2015-06-06 01:46:16 +08:00 via Android

@imn1 GBK是微软基于GB2312拓展的超集

SoloCompany

2015-06-06 02:19:18 +08:00 via iPad

没用过jsoup
你可以尝试一下给作者发个issue让他们自动编码转换 gb2312 / gbk -> gb18030
或者自己去发pr

没错微软就是这么干的
网站为啥这么声明，自然是为了让它们可以兼容老掉牙的系统

你需要至少懂一点关于编码的知识以及gb编码的发展历史

nicegoing

2015-06-06 09:06:23 +08:00

@l12ab
@wy315700
@zonghua
@imn1
@FrankFang128
@Septembers
@SoloCompany

谢谢，编码换成GBK正常显示了
Document doc = Jsoup.parse(new URL(urlStr).openStream(), "gbk", urlStr);
System.out.println(doc);

zonghua

2015-06-06 23:00:34 +08:00 via iPhone

@Septembers gb不是国标吗？工业很多gb啊，微软竟然

Septembers

2015-06-06 23:16:35 +08:00 via Android

@zonghua 你要问这只 @hjc4869 软狗