Java HtmlCleaner:不处理扩展的 ascii 字符

Question

我正在使用HTMLCleaner来清理一个HTML文件，该文件包含"€"（ascii decimal 128），"TM"（ascii decimal 153）等字符。即 ASCII 扩展表中的字符。

HTMLCleaner 无法处理这些字符，并用字符"？"替换它们（ASCII 十进制 63）。

我可以在 HTMLCleaner 中设置任何标志来处理这些字符吗？

提前谢谢。

编辑：变量"编码"是"iso-8859-1"，就像源文件编码一样。

    try {
        System.out.print("Parsing and cleaning:" + fileStr);
        URL url = new File(this.fileStr).toURI().toURL();
        // create an instance of HtmlCleaner
        HtmlCleaner cleaner = new HtmlCleaner();
        // default properties
        CleanerProperties props = cleaner.getProperties();
        // do parsing
        TagNode tagNode = new HtmlCleaner(props).clean(url);
        // serialize to XML file
        new PrettyXmlSerializer(props).writeToFile(tagNode, fileStr,
                encoding);
        System.out.println("Output: " + fileStr);
    } catch (MalformedURLException e) {
        e.printStackTrace();
    } catch (IOException e) {
        e.printStackTrace();
    }

我刚刚想通了。该行：

TagNode tagNode = new HtmlCleaner(props).clean(url);

将首贝替换为：

TagNode tagNode = new HtmlCleaner(props).clean(url, encoding);

其中"编码"是源 url 字符集的字符串表示形式。

谢谢！

Answer 1

您是否尝试设置charset？