HTMLCLEANER обрабатывает испанские символы

Question

Я использую библиотеку HtmlCleaner для анализа или преобразования HTML-файлов в java.

кажется, что не в состоянии обрабатывать испанские символы, такие как «ÁáÉéÍíÑñÓóÚúÜü»

Есть ли какое-то свойство, которое я могу установить в HtmlCleaner для обработки этого или любого другого решения? Вот код, я использую, чтобы вызвать его:

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

HtmlCleaner использует набор символов по умолчанию, считанный из JVM, если не указано иное. В Windows это будет Cp1512, а не UTF-8, что, вероятно, происходит там, где это происходит неправильно.

Вы можете

• указать -Dfile.encoding=UTF-8 на вашей виртуальной машины Java линии старта

• использовать HtmlCleaner.clean() перегрузку, которая принимает набор символов

  TagNode tagNode = new HtmlCleaner(props).clean(file, "UTF-8"); 
  

  (если вы получили Google Guava в проекта вы можете использовать Charsets.UTF_8 для постоянной)

• используйте перегрузку HtmlCleaner.clean(), которая принимает InputStreamReader, который вы уже создали с правильным набором символов.

Answer 2

Вы можете изменить UTF-8 к UTF-16.

Он будет поддерживать максимальное количество символов.