linux+htmlparser解析中文乱码,请高手提供解决方案,在线给分100分!

[orrin]

如题..

[nanjg]

package com.sydica;

import org.htmlparser.Parser;
import org.htmlparser.visitors.HtmlPage;

/**
 * @author water
 *
 */
public class HtmlParserTool {
 
 public static void main(String[] args) throws Exception{
  
  String filePath="http://bangyan2003.javaeye.com";
  ParseFunction(filePath);
  
 }

 public static void ParseFunction(String content) throws Exception{
  Parser parser = new Parser(content);
  
  parser.setEncoding("GBK");
  
  HtmlPage visitor = new HtmlPage(parser);
  
  parser.visitAllNodesWith(visitor);
  
  String parseTitle = visitor.getTitle();
  
  System.out.println(parseTitle);

 }
 


}

[xiyuan1999]

对于HTMLParser 工具包我们需要修改其中的htmlparser.java文件使其适用中文的html文件分析。

htmlparser.java文件中具体实现细节就不再介绍。
这里主要是把protected static final String DEFAULT_CHARSET = "ISO-8859-1"；
修改成protected static final String DEFAULT_CHARSET = "gb2312"；
--因为采用默认的字符集"ISO-8859-1"对含有中文的html文件进行分析的时候就会出现乱码。必须进行new String(str.getBytes("ISO-8859-1")，"GB2312")的转换工作。

对于修改好的htmlparser工具包，需要重新压缩成.jar文件，放到jdk的工作环境中。