Java 不整理源代码的HTML解析器

我的机器上有几百个旧的html文件，我正试图解析和提取一些数据。我尝试了不同的Java解析器，包括Jsoup、Tagsoup、HTMLcleaner、JTidy等。由于html代码在文件中的方式，我只能使用支持XPATH的解析器，尝试了Jsoup，但找不到等效的css选择器

无论如何，我的问题是，无论我尝试什么解析器，都会清理实际内容，并将“（撇号）之类的东西转换为奇怪的字符

所以我的问题是：是否可以使用任何Java解析器解析内容，而无需整理和替换特殊字符

---

提前感谢您的时间。

只要html文件格式正确，您就可以使用任何DOM解析技术。这些解析器的优点是它们也处理格式错误的HTML，但我想它们至少可以选择不篡改内容。但是这些解析器正在更改内容，并用奇怪的字符替换特殊字符。例如，对于这个文本“Abc'd”，输出是“Abc–d”。如果可能的话，我想保持“'”不变，或者至少将其转换为正确的Ascii码。这似乎是文本编码的问题。您可能希望坚持使用一个您熟悉的解析器，只解决编码问题。我使用Jtidy（xpath）解析一半的内容，使用Jsoup（css选择器）解析一半的内容。这可能不是最有效的，因为每个页面都会读取和解析文件两次，而且代码过于臃肿，但现在就可以了。仍然渴望听到是否有其他更好的解决方案。