如何从网站 GET 请求中获取带有正确文本的字符串，避免使用特殊的 HTML 代码？

Question

我使用 GET 请求通过 HttpConnection 对象获取西班牙网站代码。当我通过控制台（网站代码）打印输出时，西班牙字符不存在。取而代之的是一些“怪异”的角色。假设网站编码是“UTF-8”（），但我不知道它如何处理西班牙字符（á，ñ等）我尝试了很多东西，比如在 setRequestProperty 方法中以 UTF-8 定义字符集属性，从 char 数组构建字符串，使用 UTF-8 特定编码从字节数组构建字符串，因为我在某处读到Java String 类在默认情况下以 UTF-16 构建字符串，并且没有。它仍然给我所有那些奇怪的角色。我还使用 ISO-8859-1 编码尝试了同样的事情，结果同样糟糕，而且也没有任何编码规范。好的，我知道这些字符确实遵循一种模式，我可以创建一个类来“翻译”它们，但我很确定在那之前还有更好的选择。String myMethod() {    con.setRequestMethod("GET");    con.setRequestProperty("User-Agent", "Mozilla/5.0");    con.setRequestProperty("Content-Type", "application/x-www-form-urlencoded;charset=UTF-8");    con.setUseCaches(false);    con.setDoInput(true);    reader = new BufferedReader(new InputStreamReader(con.getInputStream(), "UTF-8"));    return reader.lines().collect(Collectors.joining("\n"));}这就是发生的事情的一个例子。网站上写的那句话（我想得到）：“四季秋季防护装备”我实际上从我的输出中得到的句子："Equipo de protección otoño de toda la estaciòn"

Answer 1

我使用了 Apache Commons ( https://mvnrepository.com/artifact/commons-lang/commons-lang/2.6 )中的 StringEscapeUtils 。

String dirty = "Equipo de protección otoño de toda la estaciòn";

String clean = StringEscapeUtils.unescapeHtml(dirty);

输出：四季秋季防护装备

希望这可以帮助。祝你好运。如果您有任何后续查询，请发表评论。