Java HtmlCleaner：不处理扩展的 ascii 字符

Posted 2023-03-31

【中文标题】Java HtmlCleaner：不处理扩展的 ascii 字符

【英文标题】：Java HtmlCleaner: Does not handle extended ascii characters

【发布时间】：2012-05-24 06:33:54

【问题描述】：

我正在使用 htmlCleaner 清理一个 HTML 文件，其中包含“€”（ascii 十进制 128）、“TM”（ascii 十进制 153）等字符。也就是说，ASCII 扩展表中的字符。

HTMLCleaner 无法处理这些字符并将它们替换为字符 '?' （ASCII 十进制 63）。

我可以在 HTMLCleaner 中设置任何标志来处理这些字符吗？

提前致谢。

编辑： 变量“encoding”是“iso-8859-1”，就像源文件编码一样。

    try 
        System.out.print("Parsing and cleaning:" + fileStr);
        URL url = new File(this.fileStr).toURI().toURL();
        // create an instance of HtmlCleaner
        HtmlCleaner cleaner = new HtmlCleaner();
        // default properties
        CleanerProperties props = cleaner.getProperties();
        // do parsing
        TagNode tagNode = new HtmlCleaner(props).clean(url);
        // serialize to XML file
        new PrettyXmlSerializer(props).writeToFile(tagNode, fileStr,
                encoding);
        System.out.println("Output: " + fileStr);
     catch (MalformedURLException e) 
        e.printStackTrace();
     catch (IOException e) 
        e.printStackTrace();
    

我刚刚想通了。行：

TagNode tagNode = new HtmlCleaner(props).clean(url);

应该替换为：

TagNode tagNode = new HtmlCleaner(props).clean(url, encoding);

其中 'encoding' 是源 url 的字符集的字符串表示形式。

谢谢！

【问题讨论】：

可能重复：***.com/questions/10299651/…

是的，这是一个类似的问题，我检查了那个问题，但我没有意识到这是一个编码问题。谢谢你，你真的帮了我。

【参考方案1】：

您是否尝试设置charset？

【讨论】：

是的，正如您在上面看到的。生成的 HTML 文件与源文件的编码相同。

我只将字符集设置为：new PrettyXmlSerializer(props).writeToFile(tagNode, fileStr, encoding);，但我错过了TagNode tagNode = new HtmlCleaner(props).clean(url, encoding);。现在可以了，谢谢。