jsoup-צייכנס־קאָדירונג פֿעלער נאָך אַ אַראָפּלאָדונג דורך אַ פּראָקסי

דער בלאַט לאָדט זיך דורך דעם פּראָקסי, אָבער אַק�ענטירטע אותיות קומען צוריק פֿאַרמישט. איידער מען בייט דעם פּראָקסי, געפֿינט דעם ערשטן אָרט וווּ די בייטעס פֿונעם ענטפֿער ווערן אַ Java String. אַן InputStreamReader אָן אַן עקספּליציט charset קען מאַכן דעם באַשלוס איידער jsoup זעט דאָס דאָקומענט.

ווען jsoup פֿירט דעם אָפּרוף, האַלט דעם ענטפֿער צוזאַמען ביז דער אַנאַליז:

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

די ענטפֿער־API ווייזט charset־אינפֿאָרמאַציע אָפּגעשטאַמט פֿון Content-Type. זי קען אויך אָננעמען אַן עקספּליציטע charset־איבערשרייבונג ווען איר האָט באַשטעטיקט אַז די דערקלערונג פֿונעם סערווער איז פֿאַלש. אַ פּראָקסי־אַדרעס אַליין זאָגט נישט וועלכע צייכנס־קאָדירונג דאָס דאָקומענט נוצט. אויב איר דאַרפֿט אַ דערלויבטן פֿאַרגלײַך פֿון אַ פּובליק בלאַט אָן אַ פּראָקסי־קאָנטע, בייט אויס דעם HTTP־האָסט און פּאָרט פֿונעם ביישפּיל מיט אַ קאַנדידאַט פֿון דער HTTP־פּראָקסי ליסטע, בשעת מען האַלט די זעלבע קאָדירונג־פּריפֿונגען.

אויב אַן אַנדער HTTP־קליענט שטעלט צו אַן InputStream, די stream־אַנאַליז איבערלאָדונג פֿון jsoup אָננעמט אַ charset־נאָמען און אַ באַזיס־URI. אַ null charset דערלויבט איר דאָקומענטירטע דערקענונג און רעזערוו־פֿאַרהאַלטן; אַ באַקאַנטער און ריכטיקער HTTP charset זאָל אַריבערגעפֿירט ווערן באַוווסטזיניק. דער באַזיס־URI גיט קאָנטעקסט פֿאַר רעלאַטיווע לינקען.

אַז די בייטעס זענען שוין פֿאַלש דעקאָדירט געוואָרן, די אַנאַליז פֿון דער רעזולטאַט־String מיט אַן אַנדער charset באַקומט נישט צוריק דעם אָריגינעלן טעקסט. קומט צוריק צו די בייטעס און צו די מעטאַ־דאַטן פֿונעם ענטפֿער. פֿאַרגלײַכט אויך וואָס מען האָט באַקומען: דער לאָגין־בלאַט אָדער אָפּווײַזונג פֿון אַ פּראָקסי קען זײַן אַ גאַנץ אַנדער דאָקומענט ווי דער געפֿרעגטער בלאַט, נישט קיין דעקאָדירונג־דורכפֿאַל אין אים.