Question

我们正在做以下事情：

使用指定的编码打开文件的阅读器。
读入每一行，将其解析为CSV。

对于CSV数据中的某些列，将其传递给JSoup以清除HTML，如下所示：

public String apply(@Nullable String input) {
    Document document = Jsoup.parse(input);

    return document.text();
}

除非numeric character references存在，例如 ，否则效果很好。似乎正在发生的事情是，因为我们必须在我们弄清楚编码后才能进行JSoup调用（以使CSV解析工作），当JSoup转向将硬编码字节转换为字符时，我们正在工作字符集错误。字节160（0xa0）是windows-1252中的不间断空格，但不是有效的Unicode字符，因此当JSoup用字节替换数字字符引用时，会给我们提供错误的数据。

有解决方法吗？它需要为JSoup提供数字字符引用的“源代码编码”，或类似的东西。

Answer 1

尝试在text()之前调用以下内容：

document.outputSettings().charset("windows-1252");

有关更多输出设置，请参阅javadoc。

带有数字字符引用的JSoup编码问题

1 个答案: