JTidy 解析 HTML 中文 乱码问题
0
悬赏园豆：50
[已解决问题]
解决于 2011-09-12 16:58
代码如下
其中responseString是通过HttpClient返回的HTML页面内容，包含中文，UTF-8，在log中显示正常；
这段代码在一个Web应用中被执行。
1， 当我直接在eclipse，把Web应用放tomcat里运行时，两次trace打印出来的内容都能正常显示中文内容；
2， 当我把Web应用打成war包，入到服务器（其实就是我的电脑本机，脱离eclipse）运行时，两次trace，第一次打印出来的中文正常显示，但第二次却是乱码。
所以我觉得很诡异，同样的一段代码，在不同的方式运行出不同的结果。不知道是不是JTidy会依赖什么环境变量？
我用的是：eclipse Helios Service Release 1, tomcat 7(与这个无关，我也试过6)，操作系统是Win7 英文。
百思不得其解，救解！
ByteArrayInputStream in = null;
try {
in = new ByteArrayInputStream(responseString.getBytes());
logger.trace("@@@@@@@ ByteArrayInputStream -> \n\n" + responseString + "\n\n");
Tidy tidy = new Tidy();
tidy.setQuiet(true);
tidy.setShowWarnings(false);
tidy.setInputEncoding("UTF-8");
org.w3c.dom.Document dom = tidy.parseDOM(in, null);
Document doc = new DOMReader().read(dom);
logger.trace("@@@@@@@ SAXReader -> \n\n" + doc.asXML() + "\n\n");
} finally {
try {
in.close();
} catch (IOException ignore) {
}
}
最佳答案
0
我是做.net的，不知道跟你们java有没有区别，就权作为建议把；
首先要保证页面的格式是不是UTF-8，然后网站的配置文件里面responseEncoding以及requestEncoding是不是都是设置的为utf-8 ;
收获园豆：50
谢谢你的建议。
整个过程分为
1，通过HTTPClient请求页面，把页面内容转化为一个String （这一步已经没有问题，最后拿到的String我已经证实能正确打印出中文）
2，通过JTidy对这个String进行解析，目的是修正不正确，或者不完整的HTML标签，因为后面要将它作一个XML文件处理。（问题出在这一步）。
@沐风徐徐: 不知道为什么“问题补充”那个功能好像不好用了，只好写在这里了。
没有人给出正确的解答。
但我已经找到问题所在。
只有一个人回答，所以我想得分就都归你吧。
正确解答：
问题出在“new ByteArrayInputStream(responseString.getBytes());”这行代码。
String的getBytes()方法，还有一个是带参数的，public byte[] getBytes(String charsetName)。
而不带参数的方法会使用平台默认的Charset——“Encodes this {@code String} into a sequence of bytes using the platform's default charset, storing the result into a new byte array.”——所以，在Eclipse里运行时使用的UTF-8，而打包直接放到tomact里运行时，因为我的操作系统设置的是中文，所以默认的Charset是GBK了。
解决办法也就很简单了，改“responseString.getBytes()”为“responseString.getBytes(“UTF-8”)”就OK了。
谢谢大家的关注。
谢谢楼下朋友的回复。
