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“ÁáÉéÍíÑññóóÚúÜü”这样的西班牙语字符

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，它将是Cp1512而不是UTF-8，这可能是出问题的地方。

你可以

• 在JVM起始行上指定-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"); 

  （如果项目中有Google Guava，则可以使用Charsets.UTF_8作为常量）

• 使用HtmlCleaner.clean()重载来接受您已经使用正确的字符集构造的InputStreamReader。

Answer 2

您可以将UTF-8更改为UTF-16 。

它将支持最大字符数。