乱码问题总算解决了。
下面这段代码用来获取文章内容，并通过NekoHTML来解析获得去掉HTML标签的文章内容.标红的地方就是用来设置字符集的，第一个是XML格式的字符集（似乎没什么用），第二个地方是将字符串的内容通过输入流读入，如果不指定的话在GAE中默认的是ISO-8859-1（本地的话以设置的文件的字符类型为主），第三个地方是设置XML解析器的字符集。昨晚就是第二个地方没有设置，导致乱码。在测试的过程中还学到一点：GBK->ISO-8859-1 的过程是不可逆的，也就是说如果把中文字符转成了ISO-8859-1的话，就再也转不过来了，中文变成了"????"。因此在保险起见，输入输出流在使用的时候最好都加上字符集。
1 public String getContent(String xwnr) throws Exception {
2 String xml = "<?xml version=\"1.0\" encoding=\"UTF-8\"?><content>" + xwnr + "</content>";
3 DOMFragmentParser parser = new DOMFragmentParser();
4 DocumentFragment node = new HTMLDocumentImpl().createDocumentFragment();
5
6 InputStream is = new ByteArrayInputStream(xml.getBytes("UTF-8"));
7
8 InputSource input = new InputSource(is);
9 input.setEncoding("UTF-8");
10 try {
11 parser.parse(input, node);
12 } catch (IOException e) {
13 e.printStackTrace();
14 } catch (SAXException se) {
15 se.printStackTrace();
16 }
17 StringBuffer newContent = new StringBuffer();
18 this.getText(newContent, node);
19
20 /*String str = ( new String(
21 newContent.toString().getBytes("Windows-1252"), "UTF-8" ));*/
22
23 String str = newContent.toString();
24
25 if (str.length()>200){
26 return str.substring(0,200);
27 }else{
28 return str;
29 }
30 }
今天受到了不少关注，非常高兴，非常感谢支持我的同学们，我会慢慢的将开发的过程写出来与大家分享。乱码问题总算解决了。
posted on 2009-11-04 01:29
渔人 阅读(579)
评论(0) 编辑 收藏