问题描述
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;
}
解决方法
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JavaString'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。