HTML解析器通过HTTP响应头Content-Type、<meta charset>标签或显式参数获取charset，优先级为Content-Type > <meta charset> > 默认编码；解码发生在字节转字符串阶段，而非解析阶段。
HTML解析器怎么拿到页面声明的charset
HTML解析器本身不“读取”编码，它依赖外部信息决定如何解码原始字节流。真正起作用的是：HTTP响应头里的 Content-Type、<meta charset> 标签、或用户手动指定的编码参数。解析器只是按这个编码去 decode 字节——如果没给，就 fallback 到默认（通常是 UTF-8 或系统 locale）。
-
Content-Type优先级最高，比如text/html; charset=GBK，解析器会直接用 GBK 解码响应体字节 -
<meta charset="UTF-8">是次优来源，但只在没有 HTTP 头或头未声明时生效；注意它必须出现在前 1024 字节内，否则多数解析器会忽略 - 有些解析器（如 Python 的
BeautifulSoup）允许传入from_encoding参数强制指定，这比依赖自动检测更可靠
为什么用 chardet 检测 HTML 编码经常不准
因为 chardet 是基于字节统计概率做猜测的，而 HTML 文件头部往往很短、标签多、文字少，尤其当页面是中文但 meta 写了 UTF-8、实际却是 GBK 存储时，chardet 容易误判为 UTF-8——结果 decode 出一堆 。
- 真实项目中，应优先信任
Content-Type和<meta charset>，而不是chardet.detect() - 若两者冲突（比如 HTTP 声明 UTF-8，
<meta>写 GBK），按规范应以<meta>为准，但实际中建议记录日志并人工核对 - 对本地文件（无 HTTP 头），可先用
file -i filename.html或 Notepad++ 查看真实编码，再传给解析器，别让chardet猜
Python BeautifulSoup 读取 HTML 时怎么指定编码
别依赖自动检测，显式传参最稳。尤其是处理老站、中文站点、或本地爬取的 HTML 文件时。
- 从网络响应读取：
BeautifulSoup(response.content, 'html.parser', from_encoding=response.encoding)—— 注意用response.content（bytes），不是response.text（已 decode 过） - 从本地文件读取：
with open(path, 'rb') as f: soup = BeautifulSoup(f, 'html.parser', from_encoding='GBK') - 如果 meta 声明了 charset 但文件实际编码不符，
from_encoding会覆盖 meta，避免乱码
Java HtmlParser 怎么提取 <meta charset> 的值
HtmlParser 本身不自动应用 meta 中的 charset，它只负责解析节点结构。你要自己遍历 TagNode 找 meta 标签，再提取 charset 属性值，最后用这个值重新构造输入流。
立即学习“前端免费学习笔记（深入）”；
- 关键代码片段：
if (node instanceof TagNode && "meta".equals(((TagNode) node).getTagName())) { String charset = ((TagNode) node).getAttribute("charset"); } - 拿到
charset后，不能直接传给 parser 构造函数；得用该编码 newInputStreamReader(in, charset)，再喂给 lexer - 注意：HtmlParser 默认不支持自定义编码注入，容易卡在
InputStreamSource初始化阶段，需重写或包装
