Question

我想在HTML文件上发出一些XPath请求。这是我的代码：

public static void main(String args[]) {

    try{

        /** We load the HTML file we want to parse */  
        BufferedReader br = new BufferedReader(new InputStreamReader (new FileInputStream("html_doyoubuzz.html"),"UTF-8"));


        /** we clean HTML file */           
        TagNode tagNode = new HtmlCleaner().clean(br);
        Document doc2 = new DomSerializer( new CleanerProperties() ).createDOM(tagNode);


        /******************************
         *                            *
         *       XPath Requests       *
         *                            *
         ******************************/

        XPath xpath = XPathFactory.newInstance().newXPath();

        Object dates_experience = xpath.evaluate("/html/body/div[3]/div/div/div[2]/div/div/div[2]/div[4]/div/div[3]/h4/span[2]", doc2, XPathConstants.NODESET);

        NodeList nodes = (NodeList) dates_experience;
        String s;

        for (int i = 0; i < nodes.getLength(); i++) {
            s = org.apache.commons.lang3.StringEscapeUtils.unescapeHtml4(nodes.item(i).getTextContent());
            System.out.println(s); 
        }



    }
    catch (Exception e){//Catch exception if any
        e.printStackTrace();
    }
}

我的HTML文件以UTF-8编码（如元标记中所述）。我的问题是输出。我明白了：

d?cembre 2010 - d?cembre 2010)
f?vrier 2010 - juin 2010)
juillet 2009 - septembre 2009)
juin 2009 - juin 2009)
juillet 2008 - ao?t 2008)

而不是这个，这是我想要的输出：

décembre 2010 - décembre 2010)
février 2010 - juin 2010)
juillet 2009 - septembre 2009)
juin 2009 - juin 2009)
juillet 2008 - août 2008)

你有什么想法解决这个问题吗？

感谢。

Answer 1

如果您的意思是在java控制台中输出，则可以更改控制台编码。控制台编码是默认操作系统编码。你可以在链接下面改变eclipse。

http://decoding.wordpress.com/2010/03/18/eclipse-how-to-change-the-console-output-encoding/

如果你不使用eclipse，你可以为windows添加系统参数

-Dfile.encoding=utf-8

你也可以试试

System.setOut(new PrintStream(System.out, true, "utf-8"));

Answer 2

我终于找到了答案。

我用hexEdit打开了我的html文件，我看到了一些奇怪的字节：“EF BF BD”。

这是因为我对html代码进行了右击/复制/粘贴。我不得不改变加载html文件的方式。

Java - Html特殊字符

2 个答案: