Java で Xpath を使用して HTML ページを解析しようとしています。これが私のコードです:
/** Cleaning the html file */
/** the 'doc' variable is a String containing the whole html file */
TagNode tagNode = new HtmlCleaner().clean(doc);
Document doc2 = new DomSerializer( new CleanerProperties() ).createDOM(tagNode);
XPath xpath = XPathFactory.newInstance().newXPath();
/** xpath request */
Object dates_experience = xpath.evaluate("/html/body/div[3]/div/div/div[2]/div/div/div[2]/div[4]/div/div[3]/h4/span[2]", doc2, XPathConstants.NODESET);
NodeList nodes = (NodeList) dates_experience;
String s;
for (int i = 0; i < nodes.getLength(); i++) {
s = org.apache.commons.lang3.StringEscapeUtils.unescapeHtml4(nodes.item(i).getTextContent());
System.out.println(s);
}
出力に次のように表示されるため、stringEscapeUtils または HtmlCleaner に問題があると思います。
�
これらの文字の代わりに:
é, è, ', à, û, ...etc
たとえば、次の入力があります。
décembre 2010 - décembre 2010)
février 2010 - juin 2010)
juillet 2009 - septembre 2009)
juin 2009 - juin 2009)
juillet 2008 - août 2008)
私のプログラムはこの出力を生成します:
d�cembre 2010 - d�cembre 2010)
f�vrier 2010 - juin 2010)
juillet 2009 - septembre 2009)
juin 2009 - juin 2009)
juillet 2008 - ao�t 2008)
この問題を解決するのを手伝ってくれませんか?
ありがとう。