[原创]解决Heritrix镜像方式存储路径中文乱码的解决方案
[声明:本文系作者原创,转载请声明转自http://home.cnblogs.com/u/sunt2012/谢谢合作]
利用heritrix做网络爬虫,当选择以镜像方式存储heritrix下的文档时,如果URL中存在中文或者访问的文件名是中文时,在下载文件的镜像目录路径就会有乱码(如下图)。
在解决此问题前先看看为何会出现乱码。
以中国文物网为例,下面的一个路径下有图片,如下
http://www.wenwuchina.com/uploads/conew_刘亚东老师现场弹奏《潇湘水云》_conew1.jpg
,当在浏览器输入该地址时,浏览器会将其编码为如下地址
http://www.wenwuchina.com/uploads/conew_%E5%88%98%E4%BA%9A%E4%B8%9C%E8%80%81%E5%B8%88%E7%8E%B0%E5%9C%BA%E5%BC%B9%E5%A5%8F%E3%80%8A%E6%BD%87%E6%B9%98%E6%B0%B4%E4%BA%91%E3%80%8B_conew1.jpg。
红色部分就是浏览器对中文进行编码后的路径。
Heritrix就是以此路径来访问该资源的,当以镜像方式存储下载的资源时,最终就会以conew_%E5%88%98%E4%BA%9A%E4%B8%9C%E8%80%81%E5%B8%88%E7%8E%B0%E5%9C%BA%E5%BC%B9%E5%A5%8F%E3%80%8A%E6%BD%87%E6%B9%98%E6%B0%B4%E4%BA%91%E3%80%8B_conew1.jpg的文件名来存储该资源,就产生的所谓的乱码。
解决方案就是在其创建路径时对路径名进行编码,主要代码在org.archive.crawler.writer. MirrorWriterProcessor类下的方法LumpyString方法。
为了尊重源码,我没有对原来的方法进行改动,新建了org.archive.crawler.writer. MirrorWriterForWenwuchinaProcessor类,来对heritrix进行扩展。复制了org.archive.crawler.writer. MirrorWriterProcessor类中所有代码,并对LumpyString进行必要的改动。如下(红色为修改的部分)
2 int maxLen, Map characterMap, String dotBegin) {
3 if (beginIndex < 0) {
4 throw new IllegalArgumentException("beginIndex < 0: "
5 + beginIndex);
6 }
7 if (endIndex < beginIndex) {
8 throw new IllegalArgumentException("endIndex < beginIndex "
9 + "beginIndex: " + beginIndex + "endIndex: " + endIndex);
10 }
11 if (padding < 0) {
12 throw new IllegalArgumentException("padding < 0: " + padding);
13 }
14 if (maxLen < 1) {
15 throw new IllegalArgumentException("maxLen < 1: " + maxLen);
16 }
17 if (null == characterMap) {
18 throw new IllegalArgumentException("characterMap null");
19 }
20 if ((null != dotBegin) && (0 == dotBegin.length())) {
21 throw new IllegalArgumentException("dotBegin empty");
22 }
23
24 // Initial capacity. Leave some room for %XX lumps.
25 // Guaranteed positive.
26 int cap = Math.min(2 * (endIndex - beginIndex) + padding + 1,
27 maxLen);
28 string = new StringBuffer(cap);
29 aux = new byte[cap];
30 for (int i = beginIndex; i != endIndex; ++i) {
31 String s=str.substring(i, i + 1);
32 try {
33 s = new String(s.getBytes(),"GB2312");
34 } catch (UnsupportedEncodingException e) {
35 // TODO Auto-generated catch block
36 e.printStackTrace();
37 }
38 String lump; // Next lump.
39 if (".".equals(s) && (i == beginIndex) && (null != dotBegin)) {
40 lump = dotBegin;
41 } else {
42 lump = (String) characterMap.get(s);
43 }
44 if (null == lump) {
45 if ("%".equals(s) && ((endIndex - i) > 2)
46 && (-1 != Character.digit(str.charAt(i + 1), 16))
47 && (-1 != Character.digit(str.charAt(i + 2), 16))) {
48
49 // %XX escape; treat as one lump.
50 lump = str.substring(i, i + 3);
51 i += 2;
52 } else {
53 lump = s;
54 }
55 }
56 if ((string.length() + lump.length()) > maxLen) {
57 assert checkInvariants();
58 return;
59 }
60 append(lump);
61 }
62 assert checkInvariants();
63 }
然后在Processor.options里加入org.archive.crawler.writer. MirrorWriterForWenwuchinaProcessor选项,在Job里添加该处理器,进行抓取后,乱码消失。(如下图)
PS:对中文资源什么的出现乱码,网络上有很多解决方案了,大家可以自己查一下,也很简单,只需改动一行代码即可。
转载于:https://www.cnblogs.com/sunt2012/archive/2012/07/09/heritrix_1.html
[原创]解决Heritrix镜像方式存储路径中文乱码的解决方案相关推荐
- php mysql存储中文为空_PHP如何解决MySQL存储数据中文乱码
PHP如何解决MySQL存储数据中文乱码?本文主要介绍了PHP+MySQL存储数据常见中文乱码问题,针对php+mysql常见的中文乱码问题予以总结分析,并给出了解决方法供大家参考.需要的朋友可以参考 ...
- Activiti保存.png 流程图片文件且解决idea中保存图片时显示中文乱码的解决方法
Activiti保存.png 流程图片文件且解决idea中保存图片时显示中文乱码的解决方法 Eclipse 工具中的操作 流程图片生成的两种方式: 使用 activiti-designer 设计流程图 ...
- bug:生产问题,Golang解决csv文件用excel打开中文乱码问题及常见编码和BOM头关系
bug:Golang解决csv文件用excel打开中文乱码问题 1 场景及分析 场景:今天在生成csv文件之后,测试发现用office和wps打开乱码 分析:经过测试之后发现使用记事本打开不乱码,同时 ...
- 解决SpringMvc后台接收json数据中文乱码问题
2019独角兽企业重金招聘Python工程师标准>>> 1.使用ajax从前台页面传输数据到后台controller控制器的时候,出现中文乱码(问号???). 之前在网上找了各种解决 ...
- php excelreader 中文,如何解决php excel reader导出excel中文乱码?
解决php excel reader导出excel中文乱码的方法:1.如果不使用dump函数,可以通过修改[_defaultEncoding]变量解决问题:2.如果使用dump函数导出excel,需要 ...
- python2中文输出代码_解决vscode python print 输出窗口中文乱码的问题
解决vscode python print 输出窗口中文乱码的问题 发布时间:2020-09-17 23:53:25 来源:脚本之家 阅读:119 一.搭建 python 环境 在 VSC 中点击 F ...
- php写入文本乱码,如何解决PHP用fwrite写入文件中文乱码的问题
如何解决PHP用fwrite写入文件中文乱码的问题 发布时间:2020-07-15 13:52:07 来源:亿速云 阅读:220 作者:Leah 这期内容当中小编将会给大家带来有关如何解决PHP用fw ...
- 怎么解决svn清理失败且路径显示乱码问题
怎么解决svn清理失败且路径显示乱码问题 参考文章: (1)怎么解决svn清理失败且路径显示乱码问题 (2)https://www.cnblogs.com/moyand/p/5465225.html ...
- ajax传输json数据格式乱码_解决Ajax加载JSon数据中文乱码问题
一.问题描述 使用zTree的异步刷新父级菜单时,服务器返回中文乱码,但项目中使用了SpringMvc,已经对中文乱码处理,为什么还会出现呢? 此处为的异步请求的配置: Java代码 async: { ...
- 解决@ResponseBody注解返回的json中文乱码问题
解决@ResponseBody注解返回的json中文乱码问题 参考文章: (1)解决@ResponseBody注解返回的json中文乱码问题 (2)https://www.cnblogs.com/hu ...
最新文章
- 放弃java转战kotlin,我的心路历程
- Cissp-【第1章 安全和风险管理】-2020-12-31(58页-85页)
- 《代码大全》阅读笔记02
- 服务部署如何做到高可用?这份“三级跳”秘籍送给你
- [置顶] CopyU!v2插件合集 [2013年7月18日更新]
- 20个堪称神器的命令行软件
- scrapy爬虫循环抓取同一个url,避免同一URL使爬虫关闭
- 带你学 Redis:Redis简介(一)
- spring+mybatis 多数据源切换
- vuex 在typescript中的写法
- 机器学习(一):数据预处理
- java dht 爬虫_python开发的 dht网络爬虫
- 电子商务B2C网店购物系统走势
- html网页中加入音乐播放器,[HTML5]简单网页本地音乐播放器
- 线性方程组、齐次线性方程组和非线性方程组的最小二乘解
- 计算机桌面都有说明,电脑重启后桌面所有的图标都没了怎么解决
- NLP逻辑回归模型(LR)实现分类问题实例详解
- 用深度学习实现自然语言处理:word embedding,单词向量化
- c语言编程求完全平方数,菜鸟求助,要怎么求完全平方数?
- 修改pdf文件内容可以使用什么编辑工具