HTMLCLEANER 处理西班牙语字符

Question

我正在使用HtmlCleaner库来解析/转换java中的HTML文件。

似乎无法处理西班牙语字符，例如"ÁáÉéÍíÑñÓóÚúÜü"

我可以在 HtmlCleaner 中设置任何属性来处理此解决方案或任何其他解决方案吗？这是我用来调用它的代码：

CleanerProperties props = new CleanerProperties();
props.setRecognizeUnicodeChars(true);
java.io.File file = new java.io.File("C:\example.html");
TagNode tagNode = new HtmlCleaner(props).clean(file);

Answer 1

除非

指定，否则 HtmlCleaner 使用从 JVM 读取的默认字符集。在Windows上，这将是Cp1512而不是UTF-8，这可能是它出错的地方。

你可以

• 在 JVM 启动行上指定-Dfile.encoding=UTF-8

• 使用接受字符集的HtmlCleaner.clean()重载

  TagNode tagNode = new HtmlCleaner(props).clean(file, "UTF-8");
  

  （如果你在项目中有谷歌番石榴，你可以使用Charsets.UTF_8作为常量）

• 使用接受已使用正确字符集构造的输入流读取器的HtmlCleaner.clean()重载。

Answer 2

您可以将UTF-8更改为UTF-16。

它将支持最大字符数。