我正在尝试解析HTML表的内容并将其写入CSV。
我正在尝试StaX解析器
html包含转义字符,例如&nbps'&

我正在使用org.apache.commons.lang3.StringEscapeUtils逐行使用html并写入新文件。

StAX仍无法解析未转义的字符。

请帮助我解决或处理此异常。

我用下面的xml片段进行测试-
<root><element>A &nbsp; B &nbsp; </element></root>

我在下面的代码中调用unescape html-

   StringEscapeUtils.unescapeHtml4(escapedHtml)


并将其写入文件。

然后,我尝试使用Stax Parser解析该文件-

public void unescapeHtmlFile(String filePath) throws IOException{
    BufferedReader fileReader = null;
    BufferedWriter fileWriter = null;
    try{
    fileReader = new BufferedReader(new FileReader(filePath));
    fileWriter = new BufferedWriter(new FileWriter("./out/UnescapedHtml.html"));

    String line = null;
    String unescapedLine = null;
    while((line=fileReader.readLine())!=null){
        System.out.println("Before: " + line);
        unescapedLine = StringEscapeUtils.unescapeHtml4(line);
        System.out.println("After: " + unescapedLine);
        fileWriter.newLine();
        fileWriter.write(unescapedLine);
    }
    }finally{
        fileReader.close();
        fileWriter.close();
    }
}


并且输出低于-

Document started
<?xml version="null" encoding='UTF-8' standalone='no'?>
Element started
<root>
Element started
<element0>
Characters
0123456   7890   ABC   DEF
Element ended
</element0>
Element started
<element1>
javax.xml.stream.XMLStreamException: ParseError at [row,col]:[1,66]
Message: Invalid byte 1 of 1-byte UTF-8 sequence.
    at com.sun.org.apache.xerces.internal.impl.XMLStreamReaderImpl.next(XMLStreamReaderImpl.java:596)
    at com.sun.xml.internal.stream.XMLEventReaderImpl.nextEvent(XMLEventReaderImpl.java:83)
    at parser.StreamParserTest.main(StreamParserTest.java:30)
javax.xml.stream.XMLStreamException: ParseError at [row,col]:[1,66]
Message: XML document structures must start and end within the same entity.
    at com.sun.org.apache.xerces.internal.impl.XMLStreamReaderImpl.next(XMLStreamReaderImpl.java:598)
    at com.sun.xml.internal.stream.XMLEventReaderImpl.nextEvent(XMLEventReaderImpl.java:83)
    at parser.StreamParserTest.main(StreamParserTest.java:30)


无法解析&nbsp;的未转义值
请帮忙。

最佳答案

FileReader和FileWriter类是旧的实用程序类,不幸的是,它们使用当前的平台编码。在Windows上几乎可以肯定不是UTF-8。 XML通常使用UTF-8(实际上可以表示所有字符)。

fileReader = new BufferedReader(new FileReader(filePath));
fileWriter = new BufferedWriter(new FileWriter("./out/UnescapedHtml.html"));


应该

fileReader = new BufferedReader(new InputStreamReader(
        new FileInputStream(filePath), StandardCharsets.UTF_8));
fileWriter = new BufferedWriter(new OutputStreamWriter(
        new FileOutputStream("./out/UnescapedHtml.html"),
        StandardCharsets.UTF_8));


老实说,应该阅读<?xml ...?>并查看它是否具有字符集的encoding属性,默认值为UTF-8。这可以用StandardCharsets.ISO_8859_1完成,因为UTF-8偶然发现了错误的多字节序列。

使用StandardCharsets代替字符串“ UTF-8”可以消除


一个UnsupportedEncodingException来处理,
一个魔术常数。


保证支持StandardCharsets。

关于java - 无法使用StAX解析由Apache Commons StringEscapeUtils.unescapeHtml生成的字符,我们在Stack Overflow上找到一个类似的问题:https://stackoverflow.com/questions/21552315/

10-11 22:12
查看更多