Java 使用Jsoup解析HTML文档时松开unicode/ASCII元素

在解析包含unicode/ASCII元素的HTML页面时，我处理了一个奇怪的行为。这里是一个例子git://gist.github.com/2995626.git.

执行的是：

File layout = new File(html_file);
Document doc = Jsoup.parse(layout, "UTF-8");
System.out.println(doc.toString());

我所期望的是HTML三角形，但它被转换为“–¼”。你有什么建议吗

---

提前感谢。

Jsoup完全能够使用UTF-8解析HTML。更重要的是，它已经是默认的字符编码了。你的问题是由别的地方引起的。根据目前提供的信息，我可以看到两个可能的问题原因：

HTML文件最初不是使用UTF-8保存的（或者可能是之前的一步；它最初不是使用UTF-8读取的）

stdout（System.out去的地方）不使用UTF-8

---

如果您确保两者都正确设置，那么您的问题就会消失。如果不是，那么还有另一个可能的原因，根据你的问题到目前为止提供的信息是无法猜测的。至少，这个博客应该带来很多新的见解：

Jsoup完全能够使用UTF-8解析HTML。更重要的是，它已经是默认的字符编码了。你的问题是由别的地方引起的。根据目前提供的信息，我可以看到两个可能的问题原因：

HTML文件最初不是使用UTF-8保存的（或者可能是之前的一步；它最初不是使用UTF-8读取的）

stdout（System.out去的地方）不使用UTF-8

---

如果您确保两者都正确设置，那么您的问题就会消失。如果不是，那么还有另一个可能的原因，根据你的问题到目前为止提供的信息是无法猜测的。至少，这个博客应该带来很多新的见解：

这是unicode造成的问题。在这里你可以有一个例子如下。您可以尝试下面的代码。结果将显示您编写的代码不起作用的原因

public static void main(String[] argv) {

    String test = "Ch\u00e0o bu\u1ed5i s\u00e1ng";

    System.out.println(unicode2String(test));
}
/**
 * unicode 转字符串
 */
public static String unicode2String(String unicode) {

    StringBuffer string = new StringBuffer();

    String[] hex = unicode.split("\\\\u");
    string.append(hex[0]);
    for (int i = 1; i < hex.length; i++) {
        // 转换出每一个代码点
        int data = Integer.parseInt(hex[i], 16);

        // 追加成string
        string.append((char) data);
    }

    return string.toString();
}

---

这是由unicode引起的问题。在这里你可以有一个例子如下。您可以尝试下面的代码。结果将显示您编写的代码不起作用的原因

public static void main(String[] argv) {

    String test = "Ch\u00e0o bu\u1ed5i s\u00e1ng";

    System.out.println(unicode2String(test));
}
/**
 * unicode 转字符串
 */
public static String unicode2String(String unicode) {

    StringBuffer string = new StringBuffer();

    String[] hex = unicode.split("\\\\u");
    string.append(hex[0]);
    for (int i = 1; i < hex.length; i++) {
        // 转换出每一个代码点
        int data = Integer.parseInt(hex[i], 16);

        // 追加成string
        string.append((char) data);
    }

    return string.toString();
}