parsing - 配对时删除网页中的特殊错误字符

Question

我有一个网页，上面写着“Alexander Macomb, Junior（1782 年 4 月 3 日 - 1841 年 6 月 25 日）是 1828 年 5 月 29 日至 1841 年 6 月 25 日期间美国陆军的指挥官。”。

这些字符（“？”）已经在网页中出现错误。顺便说一句，这些字符（-？）似乎是“-”。如何删除/更正此类字符。我的意思是，在将网页内容读取/加载到 java 或其他编程语言时，有什么方法可以检测和纠正这些字符。

Answer 1

这是一个字符编码问题：某些软件执行了不正确的字符代码转换。如果没有有关情况的更多详细信息，例如 URL，则几乎不可能提出具体的补救措施。但是该页面似乎是http://en.wikipedia.org/wiki/Alexander_Macomb_%28general%29的一些扭曲副本，因此也许您可以使用该页面。失真显然包括以某种方式修改 EN DASH “-” U-2013 字符。