關于爬蟲亂碼有很多群友的各式各樣的問題，下邊簡單總結下關于網絡爬蟲的亂碼處理。注意，這里不僅是中文亂碼，還包括一些如日文、韓文 、俄文、藏文之類的亂碼處理，因為他們的解決方式 是一致的，故在此統一說明。

網絡爬蟲，有兩種選擇，一是選擇nutch、hetriex，二是自寫爬蟲，兩者在處理亂碼時，原理是一致的，但前者處理亂碼時，要看懂源碼后進行修改才可以，所以要廢勁一些；而后者更自由方便，可以在編碼處理時進行處理。這也是很多人在用框架寫爬蟲會出現各種各樣的亂碼時，無從下手的原因了，像比較成熟的nutch在處理亂碼時也是比較簡單的，所以依然會出現亂碼，所以需要二次開發才能真正解決亂碼問題。

1、網絡爬蟲出現亂碼的原因

源網頁編碼和爬取下來后的編碼轉換不一致。如源網頁為gbk編碼的字節流，而我們抓取下后程序直接使用utf-8進行編碼并輸出到存儲文件中，這必然會引起亂碼，即當源網頁編碼和抓取下來后程序直接使用處理編碼一致時，則不會出現亂碼，此時再進行統一的字符編碼也就不會出現亂碼了。注意區分源網編碼A、程序直接使用的編碼B、統一轉換字符的編碼C。

A、就是web page的服務器端編碼

B、抓取到的數據，原始情況為字節數組，它是由A來編碼的，只有B=A時，才可以保證不出現亂碼，否則當字符集不兼容時，總是會出現亂碼,此步驟往往用于測試。

C、統一轉碼是指得到網頁的原始編碼A后，再進行的統一編碼，主要是為了將各個網頁的數據統一成一類編碼，往往選擇字符集較大的utf-8為宜。

每個網頁都有自己的編碼，像gbk、utf-8、iso8859-1，以及日文的jp系統編碼、西歐、俄文等編碼各不相同，當進行漫爬時總是會擴展出各種編碼，有的爬蟲是對web網頁進行簡單的編碼識別再進行統一編碼，有的是不做源網頁的判斷直接統一按utf-8來處理，這顯然是會造成亂碼情況。

2、亂碼的解決方法

根據原因來找解決方法，就非常簡單了。

(1) 確定源網頁的編碼A

編碼A往往在網頁中的三個位置，http header的content、網頁的meta charset中、網頁頭中Document定義中。在獲取源網頁編碼時，依次判斷下這三部分數據即可，從前往后，優先級亦是如此。

理論上這樣做是對的，但國內一些網站確是很不符合規范，比如寫的gbk，實際是utf-8，有的是寫的utf-8，但實際是gbk，當然這是很少的一批網站，但確實存在。所以在確定網頁編碼時，應該對該特殊情況做特別處理，如中文檢查、默認編碼等策略。

還有一種情況，是以上三者中均沒有編碼信息，則一般采用cpdetector等第三方網頁編碼智能識別工具來做，其原理即為統計字節數組的特征來概率計算得出實際編碼，有一定的準確率，但我實際的時候發現，其準確率還是很有限的。

但綜合上述的三種編碼確認方式后，幾乎可以完全解決中文亂碼問題，在我基于nutch1.6二次開發的網絡爬蟲系統中，編碼正確經統計可以達到99.99%，也證明了上述方法策略的可行性。

(2)程序通過編碼B對源網頁數據還原

顯然，這里的B是要和A相等的，在java中，如得到的源網頁的字節數組為source_byte_array，那么經過轉換為String str=new String(source_byte_array,B);即在內存上這些字節數組對應的字符是正確編碼和可顯示的，此時的打印輸出結果是正常的，此步驟往往用于debug或是控制臺輸出做測試。

(3) 統一轉碼

網絡爬蟲系統數據來源很多，不可能使用數據時，再轉化為其原始的數據，假使這樣做是很廢事的。所以一般的爬蟲系統都要對抓取下來的結果進行統一編碼，從而在使用時做到一致對外，方便使用。此時即是在(2)的基礎上，做一個統一的編碼轉換即可，在java中的實現如下

源網頁的字節數組為source_byte_array

轉換為正常的字符串： ?String normal_source_str=new String(source_byte_array,C),此時可以用java api直接存儲，但往往不直接寫入字符串，因為一般的爬蟲存儲都是多個源網頁存儲到一個文件中，所以要記錄字節偏移量，故下一步。

再將得到的str轉換為統一的編碼C格式的字節數組,則byte[] new_byte_array=normal_source_str.getBytes(C)即可，此時即可用java io api將數組寫入文件，并記錄相應的字節數組偏移量等，待真正使用時，直接io讀取即可。

總結

以上是生活随笔為你收集整理的java爬虫乱码_网络爬虫的乱码处理的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。