Java 什么html解析器能够处理编码？

这是开始--我在磁盘上有一个文件，它是HTML页面。当我用普通的网络浏览器打开它时，它会按应有的方式显示——也就是说，无论使用何种编码，我都能看到正确的国家字符

然后我来了——我的任务是加载同一个文件，解析它，并在屏幕（控制台）上打印出一些片段——比如说，所有文本。当然，我只想看到正确的字符，而不是一些曼波巨无霸。最后一步是更改一些文本，并保存文件

因此，解析器必须同时以两种方式解析和处理编码。到目前为止，我还不知道解析器甚至能够正确加载数据

问题: 你推荐什么解析器

细节 HTML页面通常在标题（meta标记）中给出了编码，所以解析器应该使用它。这种情况下，我必须提前查看并检查编码，然后在代码中手动设置编码是不可行的。例如，这摘自JSoup教程：

File input = new File("/tmp/input.html");
Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");

我不能这样做，解析器必须自己处理编码检测

---

在C#中，我在加载html时遇到了类似的问题。我使用HTMLAgilityPack并首先执行编码检测，然后使用它对数据流进行编码，然后解析数据。所以，我明确地执行了这两个步骤，但是由于库提供了这两种方法，所以我觉得这很好

---

这种显式分离可能更好，因为在缺少报头的情况下可以使用概率编码检测方法。

对于该解析方法，Jsoup API参考说明，如果提供

null

作为第二个参数（编码参数），它将使用

httpequiv

meta标记来确定编码。因此，它看起来已经执行了“解析位、确定编码、使用正确编码重新解析”例程。通常，这样的解析器应该能够使用任何可用的方法来解析编码本身。我知道Java中的SAX解析器应该使用字节顺序标记和XML声明来尝试建立编码

显然，如果找不到合适的元标记，Jsoup将默认为UTF-8。正如他们在文档中所说的那样，这是“通常安全的”，因为UTF-8与许多用于较低代码点的通用编码兼容。但我认为“通常安全”在这种情况下可能还不够好

如果您不完全信任Jsoup来检测编码，我会看到两种选择：

• 如果您以某种方式确定HTML实际上始终是XHTML，那么XML解析器可能更适合。但只有在输入完全符合XML的情况下，这才有效
• 通过尝试使用字节顺序标记、使用通用编码解析部分并查找元标记、按头标记中预期的字节模式检测编码，最后，如果所有其他操作都失败，则使用默认值，自己执行启发式编码检测

---

不，不，这不是信任的问题，我只是看到硬编码的UTF8被关闭了。我马上会查的，非常感谢！我已经尝试过TagSoup+scala.XML，但是我没有看到任何编码检测的地方，默认设置被破坏（例如，国家字符显示不正确）。更新：我测试过，效果很好。再一次谢谢你。