Question

当我解析包含unicode / ASCII元素的HTML页面时，我解决了一个奇怪的行为。这里的例子是git：//gist.github.com/2995626.git。

执行的是：

File layout = new File(html_file);
Document doc = Jsoup.parse(layout, "UTF-8");
System.out.println(doc.toString());

我期望的是HTML三角形，但它被转换为“â”。你有什么建议吗？

提前致谢。

Answer 1

Jsoup完全能够使用UTF-8解析HTML。更重要的是，它已经是默认的字符编码。你的问题是由别处引起的。根据目前提供的信息，我可以看到两个可能的问题原因：

最初没有使用UTF-8保存HTML文件（或者可能是之前的一步;它最初没有使用UTF-8读取。）
stdout（System.out所在的地方）不使用UTF-8。

如果您确保两者都设置正确，那么您的问题就会消失。如果没有，那么还有另一个可能的原因，根据你问题中到目前为止提供的信息是无法猜测的。至少，这个博客应该带来许多新见解：Unicode - How to get the characters right?

Answer 2

这是由unicode引起的问题。在这里你可以有一个例子。您可以尝试下面的代码。结果将显示您编写的代码无法正常工作的原因。

public static void main(String[] argv) {

    String test = "Ch\u00e0o bu\u1ed5i s\u00e1ng";

    System.out.println(unicode2String(test));
}
/**
 * unicode 转字符串
 */
public static String unicode2String(String unicode) {

    StringBuffer string = new StringBuffer();

    String[] hex = unicode.split("\\\\u");
    string.append(hex[0]);
    for (int i = 1; i < hex.length; i++) {
        // 转换出每一个代码点
        int data = Integer.parseInt(hex[i], 16);

        // 追加成string
        string.append((char) data);
    }

    return string.toString();
}

也许您的代码应该如下：

System.out.println(unicode2String(doc.toString()));

使用Jsoup解析HTML文档后，松开unicode / ASCII元素

2 个答案: