Java抓取字符集问题
Java抓取字符集问题
提问于 2012-06-04 08:33:02
我正在用Java抓取维基百科页面，以提取信息框中包含的信息。
除了字符编码之外，所有操作都很好。维基百科网页使用"UTF-8“编码。
Ubuntu eclipse控制台也使用"UTF-8“作为默认编码。然而，eclipse控制台在显示被刮掉的信息时会显示一些奇怪的符号。(例如：Smith · Ricardo而不是Smith · Ricardo)
这是我用来读取数据的函数(它遍历节点的所有子节点并在末尾加入他们的文本信息)：
private String getTextContent(Node node) {
String text = "";
List<Node> children = null;
if (isTextNode(node)) {
return node.getNodeValue();
}
else if (!node.hasChildNodes()) {
return "";
}
else {
children = toList(node.getChildNodes());
for (Node childNode : children) {
text += getTextContent(childNode);
}
}
return text;
}我忘记提到我正在使用JTidy库进行抓取。
回答 2
Stack Overflow用户
回答已采纳
发布于 2012-06-04 09:02:21
控制台可能正确地解释了UTF-8，但是如果您在网络上读取数据时出现了错误的编码，那么您就会遇到问题。
指定UTF-8作为JTidy使用的编码。
Stack Overflow用户
发布于 2012-06-04 08:39:18
转到Eclipse右侧，单击>运行Configuration>Common选项卡，并检查那里是否有UTF-8。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/10878424
复制相关文章
相似问题
腾讯云开发者
