如何使用 node.js 获取 html 4 上的字符集？

Question

正在尝试获取此字符集：

<meta http-equiv="Content-Type" content="text/html; charset=UTF-8">

当我打印响应头时：

console.log(response.headers);

我没有得到字符集，它应该在内容类型中：

{ 
    server: 'Apache',
    'content-type': 'text/html',
    expires: 'Mon, 19 Jan 2015 11:53:58 GMT',
    'content-language': 'en', etag: '"95c66e83dfd2080ec86ec4e20964788d"',
    'x-pal-host': 'pal115.telhc.bbc.co.uk:80',
    'content-length': '120599',
    date: 'Mon, 19 Jan 2015 11:53:44 GMT', connection: 'keep-alive',
    ...
}

如何在 node.js 的 html 4 个网站上获取字符集？提前致谢。

Answer 1

<meta> 标记不是 header，因此它们的值不会显示在 HTTP 响应的 headers 属性中。您需要解析响应 body。这确实提出了一个问题：你怎么知道如何在不知道编码的情况下解析某些东西？

这是 Web 浏览器粗略处理未在 Content-Type header 中正确定义其内容类型的文件的方式，我上次检查时：

开始使用 (user-defined) 默认值解析文档 body，例如 UTF-8.
猜猜用的是什么字符集：比如有很多字节是UTF-8中的non-printable字符，但恰好在Shift JIS中常用，那么你可能正在处理这个问题。
如果解析器恰好检测到以下情况之一：
- <meta http-equiv="Content-Type">
- <meta charset="">
  然后部分解析的文档被抛出并从文件顶部解析 re-starts。

您会明白为什么始终在字符集中包含 Content-Type header 是个好主意。对于您的应用程序，如果您不太担心某些文件出现乱码，则可以省略第 2 步。

作为一个很好的例子，Whosebug 本身设置了 Content-Type header，因此它没有（需要）<meta charset> 或 <meta http-equiv="content-type"> 标签。

如何使用 node.js 获取 html 4 上的字符集？

How do I get the charset on html 4 with node.js?

html4

character-encoding

node.js