web-dev-qa-db-ja.com

Java UTF-8エンコーディングがURLConnectionに設定されていません

http://api.freebase.com/api/trans/raw/m/0h47 からデータを取得しようとしています

あなたがテキストで見ることができるように、このような歌があります：/ælˈdʒɪəriə/。

ページからソースを取得しようとすると、úなどの歌のテキストが表示されます。

これまで、次のコードで試しました。

urlConnection.setRequestProperty("Accept-Charset", "UTF-8");
urlConnection.setRequestProperty("Content-Type", "application/x-www-form-urlencoded;charset=utf-8");

私は何が間違っているのですか？

私のコード全体：

URL url = null;
URLConnection urlConn = null;
DataInputStream input = null;
try {
url = new URL("http://api.freebase.com/api/trans/raw/m/0h47");
} catch (MalformedURLException e) {e.printStackTrace();}

try {
    urlConn = url.openConnection(); 
} catch (IOException e) { e.printStackTrace(); }
urlConn.setRequestProperty("Accept-Charset", "UTF-8");
urlConn.setRequestProperty("Content-Type", "text/plain; charset=utf-8");

urlConn.setDoInput(true);
urlConn.setUseCaches(false);

StringBuffer strBseznam = new StringBuffer();
if (strBseznam.length() > 0)
    strBseznam.deleteCharAt(strBseznam.length() - 1);

try {
    input = new DataInputStream(urlConn.getInputStream()); 
} catch (IOException e) { e.printStackTrace(); }
String str = "";
StringBuffer strB = new StringBuffer();
strB.setLength(0);
try {
    while (null != ((str = input.readLine()))) 
    {
        strB.append(str); 
    }
    input.close();
} catch (IOException e) { e.printStackTrace(); }
javaunicodeutf8-decode
11
Ales

HTMLページはUTF-8であり、アラビア文字などを使用できます。ただし、Unicode 127を超える文字は、úのような数値エンティティとしてエンコードされます。 UTF-8は完全に正しいので、Accept-Encodingは役に立ちません。

エンティティを自分でデコードする必要があります。何かのようなもの：

String decodeNumericEntities(String s) {
    StringBuffer sb = new StringBuffer();
    Matcher m = Pattern.compile("\\&#(\\d+);").matcher(s);
    while (m.find()) {
        int uc = Integer.parseInt(m.group(1));
        m.appendReplacement(sb, "");
        sb.appendCodepoint(uc);
    }
    m.appendTail(sb);
    return sb.toString();
}

ちなみに、これらのエンティティは、処理されたHTMLフォームに由来する可能性があるため、Webアプリの編集側にあります。

問題のコードの後：

DataInputStreamをテキスト用の（Buffered）Readerに置き換えました。 InputStreamsは、バイナリデータ、バイトを読み取ります。読者のテキスト、文字列。 InputStreamReaderは、パラメーターとしてInputStreamとエンコーディングを持ち、Readerを返します。

try {
    BufferedReader input = new BufferedReader(
            new InputStreamReader(urlConn.getInputStream(), "UTF-8")); 
    StringBuilder strB = new StringBuilder();
    String str;
    while (null != (str = input.readLine())) {
        strB.append(str).append("\r\n"); 
    }
    input.close();
} catch (IOException e) {
    e.printStackTrace();
}
13
Joop Eggen

URLConnectionにユーザーエージェントも追加してみてください。

urlConnection.setRequestProperty("User-Agent", "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/44.0.2403.155 Safari/537.36");

これは私のデコードの問題を魅力のように解決しました。

5
limlim

問題は、ストリームから読んでいるときだと思います。 readUTFを呼び出す代わりにDataInputStreamでreadLineメソッドを呼び出すか、InputStreamReaderを作成して設定する必要があります。エンコードすると、BufferedReaderから1行ずつ読み取ることができます（これは既存のtry/catch内にあります）：

Charset charset = Charset.forName("UTF8");
InputStreamReader stream = new InputStreamReader(urlConn.getInputStream(), charset);
BufferedReader reader = new BufferedReader(stream);
StringBuffer responseBuffer = new StringBuffer();

String read = "";
while ((read = reader.readLine()) != null) {
    responseBuffer.append(read);
}
2
Hoons