从HTML到XHTML的转换会更改欧元符号，从而阻止正确的XML解析

Question

我从HTML文件中提取信息，在Java中使用SAX解析它。解析程序是给我的，它已经在使用SAX，所以我想保持这种方式。 我的工作如下：

• 我从网站上获取HTML文件
• 使用JTidy库将其转换为有效的XML。但是，这个库将所有的€符号转换为“â，¬”---＆gt;我得到fileXHTML
• 我将文件XHTML提供给解析库，因此我可以提取我想要的数据（编写处理程序，函数startElement（），characters（）和endElement（）。

问题：使用欧元符号的新字符串，解析库将无法运行。我收到消息：“实体acirc被引用但未声明”

我只想让我的欧元符号不成问题。我如何排序我的东西？

谢谢大家，

Answer 1

您遇到的问题是编码问题。

管道中的某个工具正在破坏编码，然后向前传输该错误，在输出中创建â。

从外观上看，该网站使用的是UTF-8（也应该如此），但编码要么是误报，要么是忽略声明。

是否是工具链中导致此问题的工具之一，或者是否滥用工具，并不完全清楚。

Answer 2

使用HTML编号代替实际的欧元符号€