HTML mit num. Unicode Notation (was:Probleme bei Encoding)

[sisko78]

Hallo,

habe hier einen String und würde den gerne so umwandeln, dass die darin enthaltene Unicode Dezimal Nr. &-#8211 (ohne das -) in das entsprechende Zeichen (-) umgewandelt wird, habs aber leider nicht hinbekommen.
Habe mit dem String Konstruktor
String(byte[] bytes, String charsetName) (+ Methode getBytes)
rumprobiert, aber ohne erfolg.

Vielleicht hat mir von euch jemand einen Tip.
Danke schonmal.

Christian

 

[Bleiglanz]

Hä?

"Du hast den String" - dann hast du ihn ja, es gibt da nichts umzuwandeln!

"Du hast eine Datei mit ASCII / irgendwas in irgendeinem Encoding" => dann nimm einen Reader mit entsprechendem Charset

 

[sisko78]

Konkret lese ich ein Feld in einer Mysql Datenbank aus. Dieses wird in einem String gespeichert. Leider werden aber bestimmte Zeichen nicht richtig dargestellt. Z.b.:
'''Google''' is a [[United States|U.S.]]&(*)#8211;based........
Und ich weiss nicht, wie ich den Text umwandeln soll. Das Forum wandelts übrigens automatische um wenn ich (*) weglasse ('''Google''' is a [[United States|U.S.]]–based)

Gruß
Christian

 

[Bleiglanz]

wie ist der denn in die DB reingekommen?

beachte das Encoding deiner Datenbank, wenn du auf einer Resultsetzeile die Methode getString() aufrufst

Warum soll – da drin stehen? kommt das aus HTML??

in Java ist die richtige Maskierung \uXXXX! Java versteht keine HTML/XML entities!!!

 

[sisko78]

Schonmal ein Dankeschön für deine Mühe, mir zu helfen.

Ja, ich glaube das hat was mit HTML zu tun, ich war wohl völlig auf dem falschen Dampfer. Habe die Überschrift mal ein wenig abgewandelt, hoffe, dass es jetzt besser passt.
Das abgefragte Feld in der Datenbank enthält teilweise HTML Code.
Wenn ich in einer JEditorPane den entsprechenden Code anzeigen lasse, wird der richtig angezeigt.
Jetzt stellt sich mir nur die frage, wie ich das sozusagen in reinen Text umwandle, hab irgendwie noch nirgends Hinweise gefunden, die über das Entfernen/Umwandeln von Html-Tags hinausgehen.

Es handelt sich übrigens um ein englisches Wikipedia "raw dump sql file", das so zum download angeboten wurde.

Wenn mir sonst keine Lösung einfällt, werde ich mir wohl eine Tabelle zur Hand nehmen und die betreffenden Teile wohl einfach durch die entsprechenden Zeichen ersetzen, wobei mir das allerdings nicht besonders zusagt.

Gruß
Christian

 

[Wildcard]

Wenn ich in einer JEditorPane den entsprechenden Code anzeigen lasse, wird der richtig angezeigt.

Jetzt mal eine ganz dumme Idee:
Wenn du denn Text in eine unsichtbare JEditorPane setzt. Den ganzen Text markierst und rauskopierst, hättest du dir eine Menge Arbeit gespart.
Ziemlich dirty, aber...

 

[sisko78]

Ja, das reicht aber leider nicht. Ich will einzelne schnippsel aus der Datenbank weiter verarbeiten und da sollten solche Sachen schon bereinigt sein. Hab jetzt mal folgendes gemacht:

class TextFromHtml extends HTMLEditorKit.ParserCallback{

  public void handleText(char[] data, int pos){
      System.out.println(new String(data));  //you can redirect to a file
  }}

try{
    Reader r = new StringReader("wikipediaText");
    ParserDelegator parser = new ParserDelegator();
    HTMLEditorKit.ParserCallback callback = new TextFromHtml();
    parser.parse(r, callback, false);
    parser.toString();  
     }
    catch (IOException e){
    e.printStackTrace();}

Damit bekomme ich die Tags raus und ich hoffe, dass auch richtig umgewandelt wird, JBuilder zeigt mir bei bestimmten Codes Fragezeichen an, ich hoffe mal, dass es daran liegt, dass mein Zeichensatz für die Anzeige nicht mehr anzeigen kann und das ganze intern richtig verarbeitet wird. (kann auch keine umlaute oder z.b. ^ verwenden )

 

[sisko78]

Achso, hab dich erst falsch verstanden, @wildcard. Werde das vielleicht mal versuchen. Hab vorhin zwar mal schon einmal mit ein paar Methoden aus JEditorPane rumgespielt, da hats aber irgendwie nicht geklappt.

Gruß
Christian