java - 数字字符引用的 JSoup 编码问题

Question

我们正在执行以下操作：

1. 使用某些指定的编码打开文件的阅读器。
2. 读入每一行，将其解析为 CSV。

3. 对于 CSV 数据中的某些列，将其传递给 JSoup 以清除 HTML，如下所示：

   public String apply(@Nullable String input) {
       Document document = Jsoup.parse(input);
   
       return document.text();
   }
   

这很好用，除非存在数字字符引用，例如 . 似乎正在发生的事情是，由于我们必须在弄清楚编码之后进行 JSoup 调用（以使 CSV 解析工作），当 JSoup 开始将硬编码字节转换为字符时，我们正在工作使用错误的字符集。字节 160 (0xa0) 是 windows-1252 中的不间断空格，但不是有效的 Unicode 字符，因此当 JSoup 将数字字符引用替换为字节时，会给我们带来错误的数据。

有没有解决的办法？它需要为 JSoup 提供数字字符引用的“源编码”，或类似的东西。

Answer 1

尝试调用以下之前text()：

document.outputSettings().charset("windows-1252");

有关更多输出设置，请参阅javadoc。