我使用 GET 请求通过 HttpConnection 对象获取西类牙网站代码。当我通过控制台(网站代码)打印输出时,西类牙语字符不存在。相反,有一些“奇怪”的角色。
假设网站编码为“UTF-8”(),但我不知道它如何处理西类牙字符(á、ñ等)
我尝试了很多东西,比如在 setRequestProperty 方法中以 UTF-8 定义字符集属性,从 char 数组构建字符串,使用 UTF-8 特定编码从字节数组构建字符串,因为我在某处读到 Java String 类默认以 UTF-16 构建字符串,但没有。它仍然给了我所有那些奇怪的字符。
我也尝试使用 ISO-8859-1 编码进行相同的操作,但结果相同,而且没有任何编码规范。
好吧,我知道这些角色确实遵循某种模式,我可以创建一个类来“翻译”它们,但我很确定在此之前还有更好的选择。
String myMethod() {
con.setRequestMethod("GET");
con.setRequestProperty("User-Agent", "Mozilla/5.0");
con.setRequestProperty("Content-Type", "application/x-www-form-urlencoded;charset=UTF-8");
con.setUseCaches(false);
con.setDoInput(true);
reader = new BufferedReader(new InputStreamReader(con.getInputStream(), "UTF-8"));
return reader.lines().collect(Collectors.joining("\n"));
}
这就是所发生情况的一个例子。
网站上写的一句话(我想得到):
“Equipo de protección otoño de toda la estaciòn”
我实际上从输出中得到的句子:
"Equipo de protección otoño de toda la estaciòn"
最佳答案
我使用了 Apache Commons 中的 StringEscapeUtils (https://mvnrepository.com/artifact/commons-lang/commons-lang/2.6)。
String dirty = "Equipo de protección otoño de toda la estaciòn";
String clean = StringEscapeUtils.unescapeHtml(dirty);
输出:Equipo de protección otoño de toda la estaciòn
希望这有帮助。祝你好运。如果您有任何后续疑问,请发表评论。
关于java - 如何从网站 GET 请求中获取包含正确文本的字符串,避免特殊的 HTML 代码?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/56484015/