java - HTML 标题的 Unicode 问题，问号？ 65533；

Question

我正在尝试从以下网页解析标题:http://kid37.blogger.de/stories/1670573/

当我在标题元素上使用 apache.commons.lang StringEscapeUtils.escapeHTML 方法时，我得到以下结果

Das hermetische Caf�: Rock & Wrestling 2010

然而，当我在我的网页中使用 utf-8 编码显示它时，它只显示一个问号。

使用以下代码:

String title = StringEscapeUtils.escapeHtml(myTitle);

如果我通过这个网站运行标题:http://tools.devshed.com/?option=com_mechtools&tool=27我得到以下似乎正确的输出

标题:

<title>Das hermetische Café: Rock &amp; Wrestling 2010</title>

成为(我期待 escapeHtml 方法做的):

<title>Das hermetische Caf&eacute;: Rock &amp; Wrestling 2010</title>

有什么想法吗？谢谢

Answer 1

U+FFFD(十进制65533)是“替换字符”。当解码器遇到无效的字节序列时，它可能(取决于其配置)替换损坏的序列并继续。

“损坏”序列的一个常见原因是应用了错误的解码器。例如，解码器可能是 UTF-8，但页面实际上是用 ISO-8859-1 编码的(如果未在内容类型 header 或等效项中指定另一个，则为默认值)。

因此，在您将字符串传递给 escapeHtml 之前，“é”已被替换为“�”；该方法对此进行了正确编码。

相关页面使用 ISO-8859-1 编码。确保在将获取的资源转换为 String 时使用该解码器。