奇怪的编码，奇怪的显示——一个关于 的故事

HTML到XML转换陷阱

最新推荐文章于 2024-11-19 18:24:59 发布

最新推荐文章于 2024-11-19 18:24:59 发布 · 191 阅读

文章标签：

#XML #HTML #.net

本文探讨了从HTML转换为XML过程中遇到的问题，特别是如何处理非标准的HTML实体，例如non-breaking space ( ) 的正确转换方法及解析时可能出现的异常。文章提供了具体的解决方案并讨论了在实际应用中去除错误字符的方法。

奇怪的编码，奇怪的显示——一个关于的故事

我们常常会解析html,解析html通常来说有两种方法，其一是直接对html进行解析，其二是将html转换到xml再解析。因为学习成本的关系，越来越倾向于使用后者来实现。第二种方法一个常用的工具就是：neko html parser，他将html转换到xml，又使用了Xerces2进行xml操作。

于是问题开始了，在html中的&符号表示的一些特别意义，在xml中往往没有定义，比如今天我要讲的他在html中表示non-breaking space，但是你不能用同样的方式在xml中表示，因为xml中&开头表示，可解析的实体，这个实体被DTD预先定义，而并没有被定义，所有如果用Xerces2来解析出现这样字符的xml文件（当然，这里假设你也没有自己预先定义），会抛出如下异常：
[color=red]org.xml.sax.SAXParseException: The entity "nbsp" was referenced, but not declared.[/color]
一般给出如下的解决方案：使用这又是什么道理呢？因为这是HTML ISO-8859-1 Reference 定义的规范，如下：
Character Entity Number Entity Name Description
non-breaking space
neko html parser也这是使用的这样的方案，所以当解析这样一句html的时候:
<td>
big black bear bit back the big black bug.
</td>

就bei neko html parser替换成了

<td>
big black bear bit back the big black bug.
</td>

[color=blue]如果这样就完了，就不会有今天这篇文章了。[/color]
但是替换之后，通过xml解析输出，显示的不是一个空格而是一个？，最要人命的地方了是这个？并不是ascii 中的063d。所以当我们通过getTextContent()方法的时候，我们得到的是：
big black bear bit back the big black bug.?

在实际应用中，当然需要出去这个？，于是我们打算使用replaceAll("\\?$", "")来替换掉这个？，但是你错了，你被你的眼睛骗了，这时你会发现根本不起作用你应该是用replaceAll("\240$", "")，240是160的八进制数。

如果你们喜欢docong的这篇文章，就使劲回帖哦