0

我正在尝试通过将 Xpath 与 JAVA 结合使用来解析 HTML 页面。这是我的代码：

        /** Cleaning the html file */
        /** the 'doc' variable is a String containing the whole html file */
        TagNode tagNode = new HtmlCleaner().clean(doc);
        Document doc2 = new DomSerializer( new CleanerProperties() ).createDOM(tagNode);




        XPath xpath = XPathFactory.newInstance().newXPath();

        /** xpath request */
        Object dates_experience = xpath.evaluate("/html/body/div[3]/div/div/div[2]/div/div/div[2]/div[4]/div/div[3]/h4/span[2]", doc2, XPathConstants.NODESET);

        NodeList nodes = (NodeList) dates_experience;
        String s;
        for (int i = 0; i < nodes.getLength(); i++) {
            s = org.apache.commons.lang3.StringEscapeUtils.unescapeHtml4(nodes.item(i).getTextContent());
            System.out.println(s); 
        }

我想我有使用 stringEscapeUtils 或 HtmlCleaner 的问题，因为在输出上，我看到了这个：

�

而不是那些字符：

é, è, ', à, û, ...etc

例如，我有这个输入：

décembre 2010 - décembre 2010)
février 2010 - juin 2010)
juillet 2009 - septembre 2009)
juin 2009 - juin 2009)
juillet 2008 - août 2008)

我的程序产生这个输出：

d�cembre 2010 - d�cembre 2010)
f�vrier 2010 - juin 2010)
juillet 2009 - septembre 2009)
juin 2009 - juin 2009)
juillet 2008 - ao�t 2008)

你能帮我解决这个问题吗？

谢谢。

4

1 回答 1

1

我怀疑你应该 *un*escape，而不是逃避它们：StringEscapeUtils.unescapeHtml4(String)

于 2013-06-07T12:55:08.987 回答