解决jacob用wps将word转html的时候个别生僻字乱码的问题

原创文章，转载请注明出处

用jacob将wps转html的时候，Java读入转后的html，发现有个别生僻字出现乱码，

解决方法：

因为WPS默认转成html是gb2312编码的，而gb2312不支持一些生僻字，所以会出现乱码，

Java读入的时候由gb2312换成用gbk编码读入即可

InputStreamReader read = new InputStreamReader(new FileInputStream(htmlFile), "gbk");

 

附：gb2312编码对应的中文大全网站，ctrl + f 可以搜索

http://www.knowsky.com/resource/gb2312tbl.htm

 

知识扩展：

（1）GB2312 ： 当中国人们得到计算机时，已经没有可以利用的字节状态来表示汉字，况且有6000多个常用汉字需要保存，于是想到把那些ASCII码中127号之后的奇异符号们直接取消掉, 规定：一个小于127的字符的意义与原来相同，但两个大于127的字符连在一起时，就表示一个汉字，前面的一个字节（称之为高字节）从0xA1用到0xF7，后面一个字节（低字节）从0xA1到0xFE，这样我们就可以组合出大约7000多个简体汉字了。在这些编码里，我们还把数学符号、罗马希腊的字母、日文的假名们都编进去了，连在 ASCII 里本来就有的数字、标点、字母都统统重新编了两个字节长的编码，这就是常说的"全角"字符，而原来在127号以下的那些就叫"半角"字符了。这种汉字方案叫做 "GB2312"。GB2312 是对 ASCII 的中文扩展。兼容ASCII。

（2）GBK ： 但是中国的汉字太多了，我们很快就就发现有许多人的人名没有办法在这里打出来，不得不继续把 GB2312 没有用到的码位找出来用上。后来还是不够用，于是干脆不再要求低字节一定是127号之后的内码，只要第一个字节是大于127就固定表示这是一个汉字的开始，不管后面跟的是不是扩展字符集里的内容。结果扩展之后的编码方案被称为 “GBK” 标准，GBK 包括了 GB2312 的所有内容，同时又增加了近20000个新的汉字（包括繁体字）和符号。

 

更多可以去https://www.cnblogs.com/shitianzeng/articles/5369092.html了解