在搞爬虫时,有时会遇到url中含有中文字符,请求会出错,那么就需要对含有中文的url进行转码。
以下,以科学网为例,如下图所示:
可以看到,url中含有中文,如下写了一个样例程序,将url中对应的中文进行转码,而其他不进行转码。
package collectip;
import java.io.UnsupportedEncodingException;
import java.util.ArrayList;
import java.util.List;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
/*
* author:合肥工业大学 管院学院 钱洋
*1563178220@qq
*博客地址:http://blog.csdn/qy20115549/
*/
public class UrlUtil {
private final static String ENCODE = "GBK";
public static String getURLEncoderString(String str) {
String result = "";
if (null == str) {
return "";
}
try {
result = java.URLEncoder.encode(str, ENCODE);
} catch (UnsupportedEncodingException e) {
e.printStackTrace();
}
return result;
}
public static void main(String[] args) throws UnsupportedEncodingException {
String str = "blog.php?mod=member&type=管理科学和管理思想史&realmmedium=管理科学与工程&realm=管理综合&catid=565";
//中文正则匹配
Pattern p = Patternpile("([\u4e00-\u9fa5]+)");
Matcher m = p.matcher( str );
String mv = null;
List<String> list=new ArrayList<String>();
while (m.find()) {
mv = m.group(0);
list.add(getURLEncoderString(mv));
}
String url=" http://blog.sciencenet/blog.php?mod=member&type="+list.get(0)+"&realmmedium="+list.get(1)+"&realm="+list.get(2)+"&catid=565";
System.out.println(url);
}
}
转码后对应的url为:
http://blog.sciencenet/blog.php?mod=member&type=%B9%DC%C0%ED%BF%C6%D1%A7%BA%CD%B9%DC%C0%ED%CB%BC%CF%EB%CA%B7&realmmedium=%B9%DC%C0%ED%BF%C6%D1%A7%D3%EB%B9%A4%B3%CC&realm=%B9%DC%C0%ED%D7%DB%BA%CF&catid=565
针对这个url,就可以去使用httpclient等工具进行请求了。
更多推荐
网络爬虫之Url含有中文如何转码
发布评论