转换Html特殊字符的问题

Question

我试图通过使用Xpath和JAVA来解析HTML页面。下面是我的代码:

        /** Cleaning the html file */
        /** the 'doc' variable is a String containing the whole html file */
        TagNode tagNode = new HtmlCleaner().clean(doc);
        Document doc2 = new DomSerializer( new CleanerProperties() ).createDOM(tagNode);


        XPath xpath = XPathFactory.newInstance().newXPath();
        /** xpath request */
        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); 
        }

我认为我有stringEscapeUtils或HtmlCleaner的问题，因为在输出，我看到这个:

�

而不是那些字符:

é, è, ', à, û, ...etc

例如，我有这样的输入:

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

我的程序产生如下输出:

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

你能帮我解决这个问题吗?

谢谢。

Answer 1

我想你应该*un*escape，而不是escape它们:StringEscapeUtils.unescapeHtml4(String)