Question

我一直在编写一些代码转到网站并将HTML代码复制到文本文件中。问题是某些代码被替换为“＆amp; nbsp”。这是我正在使用的代码：

public void addRecords() throws IOException{

    URL google = new URL("Insert Website Here");
    BufferedReader in = new BufferedReader(
            new InputStreamReader(google.openStream()));

    String inputLine;
    while ((inputLine = in.readLine()) != null){
        System.out.println(inputLine);
        z.format("%s \n ", (inputLine));
    }
    in.close();
}

Answer 1

将网页读入连续的缓冲区。
替换＆＃34;＆amp; nbsp;＆＃34;用＆＃34; ＆＃34;
写入文本文件。

选项2

阅读网页（就像您现在一样）。
获取网页的一行。
替换＆＃34;＆amp; nbsp;＆＃34;用＆＃34; ＆＃34;
写一行网页。
如果有更多行，请转到第1步。

Answer 2

有许多形式为&...;的HTML实体在浏览器中显示为特殊字符。您甚至可以使用免费号码，字符代码：&8233;。

有一个具有类似unescape函数的Apache库commons lang：

html = StringEscapeUtils.unescapeHtml4(html);

Answer 3

您可以尝试这样的事情：

System.out.println(inputLine.replaceAll("&nbsp;"," "));

<强> OBS ＆GT;请注意，您的HTML页面可能包含其他字符转义符，因此重用该解决方案不太好。

你可以参考这篇文章中的公共lang Apache项目： Replace HTML codes with equivalent characters in Java

如何在没有“”替换部分HTML代码的情况下下载带有java的完整网页？

3 个答案: