带有 HTML 标题、问号的 Unicode 问题？ 65533;答案

【问题标题】：Unicode issue with an HTML Title, question mark? 65533;带有 HTML 标题、问号的 Unicode 问题？ 65533;
【发布时间】：2011-04-01 09:58:49
【问题描述】：

我正在尝试从以下网页解析标题：http://kid37.blogger.de/stories/1670573/

当我在标题元素上使用 apache.commons.lang StringEscapeUtils.escapeHTML 方法时，我得到以下内容

Das hermetische Caf&#65533;: Rock &amp; Wrestling 2010

但是，当我在我的网页中使用 utf-8 编码显示它时，它只会显示一个问号。

使用以下代码：

String title = StringEscapeUtils.escapeHtml(myTitle);

如果我通过这个网站运行标题：http://tools.devshed.com/?option=com_mechtools&tool=27 我会得到以下似乎正确的输出

标题：

<title>Das hermetische Café: Rock &amp; Wrestling 2010</title>

成为（我期待 escapeHtml 方法会这样做）：

<title>Das hermetische Caf&eacute;: Rock &amp; Wrestling 2010</title>

有什么想法吗？谢谢

【问题讨论】：

【解决方案1】：

U+FFFD（十进制65533）是“替换字符”。当解码器遇到无效的字节序列时，它可能（取决于其配置）替换掉损坏的序列并继续。

“损坏”序列的一个常见原因是应用了错误的解码器。例如，解码器可能是 UTF-8，但页面实际上是使用 ISO-8859-1 编码的（如果没有在 content-type 标头或等效标头中指定另一个，则为默认值）。

因此，在您将字符串传递给escapeHtml 之前，“é”已经被替换为“�”；该方法正确编码。

相关页面使用 ISO-8859-1 编码。确保在将获取的资源转换为 String 时使用该解码器。

【讨论】：