由Apache Commons生成的字符字符串Capeutils.unescapehtml插件使用Stax解析

Question

我正在尝试解析HTML表的内容并将其写入CSV。我正在尝试Stax解析器HTML包含&nbps'和&

之类的逃脱字符

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

stax仍然无法解析未设计的字符。

请帮助我修复或处理此例外。

i测试以下XML片段 - <root><element>A &nbsp; B &nbsp; </element></root>

我将以下代码称为unescape html-

   StringEscapeUtils.unescapeHtml4(escapedHtml)

并将其写入文件。

然后，我尝试使用Stax解析器 - 来解析该文件

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)

它无法解析  的未排放值请帮助。

Answer 1

fileReader和文件作者是旧的实用程序类，不幸的是使用当前平台编码。在Windows上，几乎肯定不是UTF-8。通常，XML在UTF-8中（确实可以代表所有字符。

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));

完全坦白地说，应该阅读<?xml ...?>，看看它是否具有charset的encoding属性，默认值为UTF-8。可以用StandardCharsets.ISO_8859_1来完成，因为UTF-8在错误的多字节序列上跌跌撞撞。

使用standardcharset而不是字符串" UTF-8"取消

1. 可以处理的无基本化语言Exception，
2. 魔术常数。

保证支持标准柜。