从http协议看无法获取网页charset的原因

从http协议看无法获取网页charset的原因2011-02-01 csdn博客赵学庆原始问题如下：

http://topic.csdn.net/u/20080902/02/a6445aa1-2e6b-45c6-a47c-79009718c0fa.html

html网页的内容大致如下：

<！DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html>
<head>
<meta http-equiv="Content-Type;charset=gb2312" />
<title>CSDN首页 </title>
...
</head>
<body>
.....
</html>

我使用以下语句抓取类似上面的网页：

URL url = new URL（"http://www.csdn.net"）;
HttpURLConnection connection = （HttpURLConnection）url.openConnection（）;
//建立连接后，使用下面两句取得网页的编码格式
String contentType = connection.getHeaderField（"Content-Type"）;
contentType = connection.getContentType（）;

无论是哪一句，得到的contentType的值都是text/html，而不包含后面的charset=gb2312，这是为什么？

我注意到一个问题，content="text/html; charset=gb2312"这里，在;和charset之间有一个空格，是否因为这个空格的缘故，而不能得到content-type的准确值

还有没有其他的办法可以得到页面的编码字符集？

回答：

connection.getContentType（）;

这个需要服务器设置了 ContentType才可以，这个数据在文件头里面，而不是在文件的主体（也就是你看到的html）里面。

所以检测页面类型需要分3步，如果这一步不行，则用下一个

1 看header里面的ContentType,也就是你用的那个方法

2 看 html 里面的 ContentType ，也就是解析html页面

3 对html数据进行自动评估，类似于it里面的自动检测编码类型。

一段典型的返回信息的Header数据

HTTP/1.1 200 OK

Date: Mon, 01 Sep 2008 23:13:31 GMT

Server: Apache/2.2.4 （Win32） mod_jk/1.2.26

Vary: Host,Accept-Encoding

Set-Cookie: JAVA2000_STYLE_ID=1; Domain=www.java2000.net; Expires=Thu, 03-Nov-2011 09:00:10 GMT; Path=/

Content-Encoding: gzip

Transfer-Encoding: chunked

Content-Type: text/html;charset=UTF-8

<html>

。。。。从这里开始是数据的本体

此文收藏于：http://www.java2000.net/p9226