奇怪的编码，奇怪的显示——一个关于 的故事

奇怪的编码，奇怪的显示——一个关于 的故事

我们常常会解析html,解析html通常来说有两种方法，其一是直接对html进行解析，其二是将html转换到xml再解析。因为学习成本的关系，越来越倾向于使用后者来实现。第二种方法一个常用的工具就是：neko html parser，他将html转换到xml，又使用了Xerces2进行xml操作。

于是问题开始了，在html中的&符号表示的一些特别意义，在xml中往往没有定义，比如今天我要讲的  他在html中表示non-breaking space，但是你不能用同样的方式在xml中表示，因为xml中&开头表示，可解析的实体，这个实体被DTD预先定义，而 并没有被定义，所有如果用Xerces2来解析出现这样字符的xml文件（当然，这里假设你也没有自己预先定义），会抛出如下异常：
[color=red]org.xml.sax.SAXParseException: The entity "nbsp" was referenced, but not declared.[/color]
一般给出如下的解决方案：使用  这又是什么道理呢？因为这是HTML ISO-8859-1 Reference 定义的规范，如下：
Character Entity Number Entity Name Description
    non-breaking space
neko html parser也这是使用的这样的方案，所以当解析这样一句html的时候:
<td>
big black bear bit back the big black bug. 
</td>

就bei neko html parser替换成了

<td>
big black bear bit back the big black bug. 
</td>

[color=blue]如果这样就完了，就不会有今天这篇文章了。[/color]
但是替换之后，通过xml解析输出，显示的不是一个空格而是一个 ？，最要人命的地方了是这个？并不是ascii 中的063d。所以当我们通过getTextContent()方法的时候，我们得到的是：
big black bear bit back the big black bug.?

在实际应用中，当然需要出去这个？，于是我们打算使用replaceAll("\\?$", "")来替换掉这个？，但是你错了，你被你的眼睛骗了，这时你会发现根本不起作用你应该是用replaceAll("\240$", "")，240是160的八进制数。


如果你们喜欢docong的这篇文章，就使劲回帖哦