哪位使用过JTidy的,我将html转换成xml时总会碰到中文变成乱码的问题

Question

没有有过，不过你把Html变成xml意欲何为呢？
生成的xml的schema是什么样的？

Answer 1

就是想把HTML转化成DOM树的形式, 便于抽取里面的信息了
一般的HTML不都是不太规范的吗, 就是想用JTidy调整这些不规范的东西,

Answer 2

public class HtmlToXml { private FileOutputStream fout = null;

public HtmlToXml(FileInputStream in ,String outFilename) throws Exception{
try{
Tidy td = new Tidy(); fout = new FileOutputStream(outFilename);//outFilename="c:\\abc.txt"
//out = new BufferedOutputStream(fout);
td.setCharEncoding(Configuration.RAW);
//td.setEmacs(true);
//td.setRawOut(true);
td.setIndentContent(true);            //这个函数使过滤后的文本不会在其前加空格          
td.setBreakBeforeBR(true); td.setShowWarnings(false);
td.setWraplen(0); //设置文本的长度，0为没有限制
td.setXmlOut(true);

td.parseDOM(in,fout);

}catch(Exception e){
e.printStackTrace();
}finally{
if(fout!=null)
fout.close();
}
}

}

Answer 3

td.setCharEncoding(Configuration.RAW);
设置一下