প্ৰক্সি ডাউনলোডৰ পিছত jsoup-ত আখৰ সংকেত ত্ৰুটি

পৃষ্ঠাটো প্ৰক্সিৰ জৰিয়তে লোড হয়, কিন্তু উচ্চাৰণ চিহ্নযুক্ত আখৰবোৰ বিকৃত হৈ ঘূৰি আহে। প্ৰক্সি সলনি কৰাৰ আগতে সঁহাৰিৰ বাইটবোৰ Java String হোৱা প্ৰথম স্থানটো বিচাৰি উলিয়াওক। স্পষ্ট charset নথকা InputStreamReader এ jsoup-এ নথিখন দেখা আগতেই সেই সিদ্ধান্ত ল'ব পাৰে।

যেতিয়া jsoup এ ফেট্চ চলায় তেতিয়া বিশ্লেষণৰ আগলৈকে সঁহাৰিটো একত্ৰিত ৰাখক:

Connection.Response response = Jsoup
    .connect("https://www.example.com/catalog")
    .proxy("proxy.example", 8080)
    .execute();
Document page = response.parse();

সঁহাৰি API এ Content-Type ৰ পৰা পোৱা charset তথ্য প্ৰকাশ কৰে। চাৰ্ভাৰৰ ঘোষণা ভুল বুলি নিশ্চিত কৰিলে ই স্পষ্ট charset অভাৰৰাইডো গ্ৰহণ কৰিব পাৰে। প্ৰক্সি ঠিকনাৱে নিজে নথিখনে কোনটো আখৰ সংকেত ব্যৱহাৰ কৰিছে তাক নকয়। প্ৰক্সি একাউণ্ট নোহোৱাকৈ অনুমোদিত ৰাজহুৱা পৃষ্ঠাৰ তুলনা লাগিলে, উদাহৰণৰ HTTP হোষ্ট আৰু প'ৰ্টৰ সলনি HTTP প্ৰক্সি তালিকাৰ পৰা এটা প্ৰাৰ্থী লওক, একে সংকেত পৰীক্ষা ৰাখিয়েই।

যদি অন্য HTTP ক্লাইএণ্টে InputStream যোগায়, jsoup ৰ ষ্ট্ৰিম বিশ্লেষণ বিকল্পটোৱে charset নাম আৰু এটা base URI গ্ৰহণ কৰে। null charset এ ইয়াৰ নথিভুক্ত চিনাক্তকৰণ আৰু ফলবেক আচৰণ কৰিবলৈ দিয়ে; জনা আৰু শুদ্ধ HTTP charset এটা ইচ্ছাকৃতভাৱে আগবঢ়োৱা উচিত। base URI এ আপেক্ষিক লিংকৰ বাবে প্ৰসংগ যোগায়।

বাইটবোৰ ভুলভাৱে ডিক'ড হোৱাৰ পিছত, পোৱা String টো অন্য charset ৰে বিশ্লেষণ কৰিলে মূল পাঠ উদ্ধাৰ নহয়। বাইটবোৰ আৰু সঁহাৰিৰ মেটাডেটালৈ ঘূৰি যাওক। লাভ কৰা বস্তুটোও তুলনা কৰক: প্ৰক্সিৰ লগইন পৃষ্ঠা বা অস্বীকৃতি অনুৰোধ কৰা পৃষ্ঠাৰ পৰা সম্পূৰ্ণ বেলেগ নথি হ'ব পাৰে, তাত ডিক'ডিং বিফলতা নহয়।