来自 URL 的 Java InputStreamReader 不编码“Umlaute”

Question

我尝试从 URL 读取 html 内容。当我不想将内容打印到控制台时，像ä、ö、ü 这样的“元音变音”显示错误。

URL url = new URL("http://www.lauftreff.de/laeufe/halbmarathon-1-2017.html");
URLConnection conn = url.openConnection();
InputStreamReader input = new InputStreamReader(conn.getInputStream(),StandardCharsets.ISO_8859_1);
BufferedReader bi = new BufferedReader(input);
String inputLine;
while((inputLine = bi.readLine()) != null){
    System.out.println(inputLine);
}

在 html 的标题中，字符集的信息显示为 ISO_8859_1。 UTF-8 也不起作用。 有没有人有想法怎么办？

Answer 1

在网站中，元音变音被解码为 HTML 实体。所以你需要解码这些。下面的代码应该可以工作，但它未经测试。

URL url = new URL("http://www.lauftreff.de/laeufe/halbmarathon-1-2017.html");
URLConnection conn = url.openConnection();
InputStreamReader input = new InputStreamReader(conn.getInputStream(),StandardCharsets.ISO_8859_1);
BufferedReader bi = new BufferedReader(input);
String inputLine;
while((inputLine = bi.readLine()) != null){
    inputLine = StringEscapeUtils.unescapeHtml4(inputLine);
    System.out.println(inputLine);
}