使用URLConnection抓取网页内容，JSP中印地语显示乱码求助

这个问题我太熟悉了！你遇到的乱码（比如¾à¤¨、मà¥�à¤�े उन बाà这类）本质是编码和解码的字符集不匹配——Java类里你可能隐式或显式用了正确的字符集处理，但JSP环境的编码配置没跟上，导致印地语这类非ASCII字符转码出错。下面是一步步的解决方法：

1. 确保抓取内容时用正确的字符集 #

在用URLConnection读取目标网站内容时，绝对不要依赖默认的字符集，一定要显式指定目标网站使用的编码（印地语网站大多用UTF-8）。

替换你的输入流读取代码：

URL targetUrl = new URL("你的目标网站URL");
URLConnection connection = targetUrl.openConnection();

// 显式指定UTF-8编码，替换默认的InputStreamReader构造器
BufferedReader reader = new BufferedReader(
    new InputStreamReader(connection.getInputStream(), StandardCharsets.UTF_8)
);

小贴士：可以通过目标网站的响应头Content-Type查看它实际用的编码，比如响应头返回Content-Type: text/html; charset=utf-8就用UTF-8；如果是ISO-8859-1，就对应调整。

2. 配置JSP页面的编码 #

在你的JSP页面最顶部，必须添加页面指令，明确指定页面编码和响应内容类型：

<%@ page language="java" contentType="text/html; charset=UTF-8" pageEncoding="UTF-8"%>

• pageEncoding：指定JSP文件本身的保存编码，确保JSP里的静态印地语字符（如果有的话）不会乱码；
• contentType：指定浏览器接收响应时用的编码，确保输出的动态内容被正确解析。

3. 调整Web容器的编码配置（以Tomcat为例） #

如果用Tomcat作为Web容器，需要修改conf/server.xml里的Connector标签，添加UTF-8相关配置，确保容器处理请求和响应时用统一编码：

<Connector port="8080" protocol="HTTP/1.1"
           connectionTimeout="20000"
           redirectPort="8443"
           URIEncoding="UTF-8"
           useBodyEncodingForURI="true"/>

4. 输出内容前确认响应编码 #

如果是在JSP对应的Java代码（比如Servlet或JSP脚本）中输出抓取到的内容，建议在输出前显式设置响应的编码：

response.setCharacterEncoding("UTF-8");
response.setContentType("text/html; charset=UTF-8");
// 然后再输出内容
out.print(抓取到的印地语文本);

这一步可以和JSP页面指令形成双重保障，避免编码冲突。

核心原理复盘 #

乱码的根源就是编码时用的字符集和解码时用的不一样：你在Java类里可能默认用了UTF-8读取，但JSP输出时用了容器默认的ISO-8859-1，就会把印地语的UTF-8字节当成ISO-8859-1解码，变成那些奇怪的字符。只要全链路（抓取→JSP文件→容器→响应输出）都统一用UTF-8，问题就能解决。

内容的提问来源于stack exchange，提问作者Kritika