Java中的Regex和ISO-8859-1字符集

Question

我有一些用ISO-8859-1編碼的文本，然后我使用Regex提取了一些數據。

問題是我從匹配器對象獲得的字符串格式錯誤，擾亂了諸如“ÅÄÖ”之類的字符。

如何阻止正則表達式庫擾亂我的字符？

編輯：這是一些代碼：

private HttpResponse sendGetRequest(String url) throws ClientProtocolException, IOException
{
    HttpGet get = new HttpGet(url);
    return hclient.execute(get);
}
private static String getResponseBody(HttpResponse response) throws IllegalStateException, IOException
{
    InputStream input = response.getEntity().getContent();
    StringBuilder builder = new StringBuilder();
    int read;
    byte[] tmp = new byte[1024];

    while ((read = input.read(tmp))!=-1)
    {
        builder.append(new String(tmp), 0,read-1);
    }

    return builder.toString();
}
HttpResponse response = sendGetRequest(url);
String html = getResponseBody(response);
Matcher matcher = forum_pattern.matcher(html);
while(matcher.find()) // do stuff

Answer 1

這可能是造成問題的直接原因，並且絕對是錯誤的：

builder.append(new String(tmp), 0, read-1);

當您調用不帶字符集的new String(byte[])構造函數之一時，它將使用平台默認編碼。 顯然，您平台上的默認編碼不是ISO-8859-1。 您應該能夠從響應頭獲取字符集名稱，以便將其提供給構造函數。

但是無論如何，您不應該為此使用String構造函數。 正確的方法是使用InputStreamReader。 如果編碼是UTF-8之類的多字節編碼之一，則由於字節字節恰好在字符中間結束，您很容易破壞數據。

在任何情況下，永遠， 永遠使用一個new String(byte[])構造函數或String.getBytes()不接受字符集參數的方法。 這些方法應被棄用，並在任何人使用它們時發出凶猛的警告。

Answer 2

它是網站上的html。

使用HTML解析器，此問題以及所有將來的潛在問題都將消失。

我可以建議選擇Jsoup來完成這項工作。

也可以看看：

• 正則表達式-現在您有兩個問題
• 解析HTML-Cthulhu方式
• HTML解析器在Java中的優缺點