Java - особые символы HTML

Question

Я хочу сделать запрос XPath для файла HTML. Вот мой код:

public static void main(String args[]) {

    try{

        /** We load the HTML file we want to parse */  
        BufferedReader br = new BufferedReader(new InputStreamReader (new FileInputStream("html_doyoubuzz.html"),"UTF-8"));


        /** we clean HTML file */           
        TagNode tagNode = new HtmlCleaner().clean(br);
        Document doc2 = new DomSerializer( new CleanerProperties() ).createDOM(tagNode);


        /******************************
         *                            *
         *       XPath Requests       *
         *                            *
         ******************************/

        XPath xpath = XPathFactory.newInstance().newXPath();

        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); 
        }



    }
    catch (Exception e){//Catch exception if any
        e.printStackTrace();
    }
}

Мой HTML-файл закодирован в UTF-8 (как написано в метатеге). Моя проблема - выход. Я получаю это:

d?cembre 2010 - d?cembre 2010)
f?vrier 2010 - juin 2010)
juillet 2009 - septembre 2009)
juin 2009 - juin 2009)
juillet 2008 - ao?t 2008)

вместо этого, который является моим желаемым выводом:

décembre 2010 - décembre 2010)
février 2010 - juin 2010)
juillet 2009 - septembre 2009)
juin 2009 - juin 2009)
juillet 2008 - août 2008)

У вас есть идея решить проблему?

Благодарю.

Answer 1

Я наконец нашел ответ.

Я открыл свой HTML-файл с помощью hexEdit и увидел несколько любопытных байтов: "EF BF BD".

Это было потому, что я сделал щелчок правой кнопкой мыши / копировать / вставить HTML-код. Мне пришлось изменить способ загрузки моего HTML-файла.

Answer 2

Если вы имеете в виду вывод в консоли Java, вы можете изменить кодировку консоли. Кодировка консоли является кодировкой операционной системы по умолчанию. Вы можете изменить затмение по ссылке ниже.

http://decoding.wordpress.com/2010/03/18/eclipse-how-to-change-the-console-output-encoding/

Если вы не используете eclipse, вы можете добавить системные параметры для окон

-Dfile.encoding=utf-8

также вы можете попробовать

System.setOut(new PrintStream(System.out, true, "utf-8"));