Question

我正在尝试读取html源文件，其中包含诸如äöü€€的德语字符

使用JSOUP进行阅读

citAttr.nextElementSibling().text()

使用

编码字符串

unicodeEscaper.translate(citAttr.nextElementSibling().text())

org.apache.commons.lang3.text.translate.UnicodeEscaper

问题是阅读字符后变成

但是在读取带有上述unicodeEscaper编码类型为UTF-8的CSV时，保存并检索字符是可以的。

unicodeEscaper.translate(record.get(headerPosition.get(0)))

从html阅读有什么问题？尝试使用StringUtilEscaper方法仍然将字符转换为

private String getText(Part p) throws MessagingException, IOException {
    if (p.isMimeType("text/*")) {
        String s = (String) p.getContent();
        textIsHtml = p.isMimeType("text/html");
        return s;
    }

这就是我阅读具有html内容的电子邮件的方式！

Answer 1

我今天刚刚回答了一个类似的问题...我想我可以输入我对扩展字符集（外语字符）的了解，因为那是我编写的软件的主要方面之一。

Java内部的 String's 均使用 16-bit chars （原始类型 char 是16位原始值。名称 UTF-8 有点误导，因为它用来表示16位“ Unicode空间”（使用两个8位数字）。（和Java String's ） 代表整个Unicode外语字母范围没有问题。
JSoup，以及几乎所有用Java编写的HTML工具，当要求下载网站页面时，都将返回16位字符-以Java String's -很好，没有任何问题！如果在查看这些范围时遇到问题，则可能不是下载过程，也不是JSoup或HttpUrlConnection设置。当您将网页保存到Java中的字符串中时，您并没有丢失那些字符，实际上您可以免费获得 UTF-8 。
方法：程序员每次尝试将 UTF-8 String 保存到 '.txt' File 或 '.html' File ，如果您随后继续在网络浏览器中查看该内容（该文件），则可能会看到的只是一个令人讨厌的问号：。这是因为您需要确保让网络浏览器知道您使用Java保存的 '.html' File -不能用（，更短） 8-bit ASCII 范围。

如果您在任何网络浏览器中查看 '.html' File ，或将该文件上传到Google Cloud Platform（或某些托管网站），则必须执行以下两项操作之一：

在HTML页面的<META> Tag部分中，添加注释中提到的 <meta charset="UTF-8"> 。

或者在您必须将文件标识为<HEAD> ... </HEAD>的任何托管平台中提供设置。在Google Cloud Platform存储桶中，有一个弹出菜单，用于将此设置分配给任何文件。

从HTML Java读取时保留特殊字符？

1 个答案: