Hvordan bestemmes HTML's CHARSET (Signature/Preamble)

Det er desvaerre lidt rodet.

Du bliver nok noedt til at checke baade HTTP header og META tags og saa skifte
Reader naar du ved hvad det er.

Jeg kan bixe et eksempel senere.

Jeg ved godt at spørgsmålet er halvandet år gammelt, men hvis nogen finder det
ved søgning, så er her en løsning:

import java.io.IOException;
import java.io.InputStream;
import java.net.HttpURLConnection;
import java.net.URL;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class HttpDownloadCharset {
    private static Pattern encpat = Pattern.compile("charset=([A-Za-z0-9-]+)", Pattern.CASE_INSENSITIVE);
    private static String parseContentType(String contenttype) {
        Matcher m = encpat.matcher(contenttype);
        if(m.find()) {
            return m.group(1);
        } else {
            return "ISO-8859-1";
        }
    }
    private static Pattern metaencpat = Pattern.compile("<META\\s+HTTP-EQUIV\\s*=\\s*[\"']Content-Type[\"']\\s+CONTENT\\s*=\\s*[\"']([^\"']*)[\"']>", Pattern.CASE_INSENSITIVE);
    private static String parseMetaContentType(String html, String defenc) {
        Matcher m = metaencpat.matcher(html);
        if(m.find()) {
            return parseContentType(m.group(1));
        } else {
            return defenc;
        }
    }
    private static final int DEFAULT_BUFSIZ = 1000000;
    public static String download(String urlstr) throws IOException {
        URL url = new URL(urlstr);
        HttpURLConnection con = (HttpURLConnection)url.openConnection();
        con.connect();
        if (con.getResponseCode() == HttpURLConnection.HTTP_OK) {
            String enc = parseContentType(con.getContentType());
            int bufsiz = con.getContentLength();
            if(bufsiz < 0) {
                bufsiz = DEFAULT_BUFSIZ;
            }
            byte[] buf = new byte[bufsiz];
            InputStream is = con.getInputStream();
            int ix = 0;
            int n;
            while((n = is.read(buf, ix, buf.length - ix)) > 0) {
                ix += n;
            }
            is.close();
            con.disconnect();
            String temp = new String(buf, "US-ASCII");
            enc = parseMetaContentType(temp, enc);
            return new String(buf, enc);
        } else {
            con.disconnect();
            throw new IllegalArgumentException("URL " + urlstr + " returned " + con.getResponseMessage());
        }
    }
    public static void main(String[] args) throws Exception {
        System.out.println(download("http://arne:81/~arne/f1.html"));
        System.out.println(download("http://arne:81/~arne/f2.html"));
        System.out.println(download("http://arne:81/~arne/f3.html"));
    }
}

Siger supertak for din indsats Arne.

Håber andre fik glæde af det - vil se om jeg kan bruge det i fremtiden :)

En anden gang skal jeg nok lade være med at poste en løsning.