java - HTMLCLEANER 处理西类牙字符

Question

我正在使用 HtmlCleaner 库以在 java 中解析/转换 HTML 文件。

似乎无法处理像“ÁáÉéÍíÚúÜü”这样的西类牙字符

我可以在 HtmlCleaner 中设置任何属性来处理这个或任何其他解决方案吗？这是我用来调用它的代码:

CleanerProperties props = new CleanerProperties();
props.setRecognizeUnicodeChars(true);
java.io.File file = new java.io.File("C:\\example.html");
TagNode tagNode = new HtmlCleaner(props).clean(file);

Answer 1

HtmlCleaner 除非指定，否则使用从 JVM 读取的默认字符集。在 Windows 上，这将是 Cp1512 而不是 UTF-8，这可能是它出错的地方。

你可以

• 在您的 JVM 起始行指定 -Dfile.encoding=UTF-8

• 使用接受字符集的 HtmlCleaner.clean() 重载

  TagNode tagNode = new HtmlCleaner(props).clean(file, "UTF-8");
  

  (如果项目中有 Google Guava，则可以使用 Charsets.UTF_8 作为常量)

• 使用 HtmlCleaner.clean() 重载来接受您已经使用正确字符集构建的 InputStreamReader。