Question

我正在尝试解析HTML表格的内容并将其写入CSV。我正在尝试StaX解析器 html包含转义字符，例如&nbps'和&

我正在使用org.apache.commons.lang3.StringEscapeUtils逐行使用html并写入新文件。

StAX仍然无法解析未转义的字符。

请帮我修复或处理此异常。

我测试下面的xml片段 - <root><element>A   B   </element></root>

我将下面的代码称为unescape html -

   StringEscapeUtils.unescapeHtml4(escapedHtml)

并将其写入文件。

然后我尝试使用Stax Parser解析该文件 -

public void unescapeHtmlFile(String filePath) throws IOException{
    BufferedReader fileReader = null;
    BufferedWriter fileWriter = null;
    try{
    fileReader = new BufferedReader(new FileReader(filePath));
    fileWriter = new BufferedWriter(new FileWriter("./out/UnescapedHtml.html"));

    String line = null;
    String unescapedLine = null;
    while((line=fileReader.readLine())!=null){
        System.out.println("Before: " + line);
        unescapedLine = StringEscapeUtils.unescapeHtml4(line);
        System.out.println("After: " + unescapedLine);
        fileWriter.newLine();
        fileWriter.write(unescapedLine);
    }
    }finally{
        fileReader.close();
        fileWriter.close();
    }
}

输出低于 -

Document started 
<?xml version="null" encoding='UTF-8' standalone='no'?>
Element started
<root>
Element started
<element0>
Characters
0123456   7890   ABC   DEF
Element ended
</element0>
Element started
<element1>
javax.xml.stream.XMLStreamException: ParseError at [row,col]:[1,66]
Message: Invalid byte 1 of 1-byte UTF-8 sequence.
    at com.sun.org.apache.xerces.internal.impl.XMLStreamReaderImpl.next(XMLStreamReaderImpl.java:596)
    at com.sun.xml.internal.stream.XMLEventReaderImpl.nextEvent(XMLEventReaderImpl.java:83)
    at parser.StreamParserTest.main(StreamParserTest.java:30)
javax.xml.stream.XMLStreamException: ParseError at [row,col]:[1,66]
Message: XML document structures must start and end within the same entity.
    at com.sun.org.apache.xerces.internal.impl.XMLStreamReaderImpl.next(XMLStreamReaderImpl.java:598)
    at com.sun.xml.internal.stream.XMLEventReaderImpl.nextEvent(XMLEventReaderImpl.java:83)
    at parser.StreamParserTest.main(StreamParserTest.java:30)

无法解析未转义的 值请帮忙。

Answer 1

类FileReader和FileWriter是旧的实用程序类，遗憾的是它们使用当前的平台编码。在Windows上几乎肯定不是UTF-8。而XML一般采用UTF-8（实际上可以代表所有字符。

fileReader = new BufferedReader(new FileReader(filePath));
fileWriter = new BufferedWriter(new FileWriter("./out/UnescapedHtml.html"));

应该是

fileReader = new BufferedReader(new InputStreamReader(
        new FileInputStream(filePath), StandardCharsets.UTF_8));
fileWriter = new BufferedWriter(new OutputStreamWriter(
        new FileOutputStream("./out/UnescapedHtml.html"),
        StandardCharsets.UTF_8));

说实话，应该阅读<?xml ...?>并查看它是否具有charset的encoding属性，默认为UTF-8。这可以用StandardCharsets.ISO_8859_1来完成，因为UTF-8会在错误的多字节序列上发现错误。

使用StandardCharsets代替字符串“UTF-8”取消

要处理的UnsupportedEncodingException，
一个神奇的常数。

保证支持StandardCharsets。

Apache Commons StringEscapeUtils.unescapeHtml生成的字符无法使用StAX进行解析

1 个答案: