HTML Zeichen aus String entfernen?

[Guest]

Hi,

wollte mal fragen ob es sowas wie eine HTML tidy Funktion in Java gibt oder jemand eine solche Funktion schon mal geschrieben hat. Konkret geht es darum, dass ich einen String wie beispielsweise folgenden von einem Webserver erhalte:

Bernd%20geht%20ein%20Auto%20kaufen.%3Cbr%3E

Also Zeichen wie beispielsweise Umlaute und Leerzeichen sowie Steuerzeichen sind codiert. Ich suche nach einer Funktion, die diese Zeichen entfernt und einen normalen String daraus macht:

Bernd geht ein Auto kaufen.

 

[Wolfgang Lenhard]

Schau mal bei http://htmlparser.sourceforge.net/

 

[Tobias]

Der String ist url-encoded. Es gibt im JRE eine Klasse URLDecoder, mit der man das rückgängig machen kann.

 

[Gast]

Vielen, vielen Dank!

 

[hama]

Hallo,
Ich habe ein Problem! wenn du mir vielleicht helfen kannst!
Ich habe versucht die so gennante JTidy innerhalb einen Thread "run()-Methode" ins Laufen zu lassen. Es funktioniert, aber bekomme ich im Trace kein richtiges Dokument! sondern es schaut so wie folgt aus:

org.w3c.tidy.DOMDocumentImpl@e746a2
org.w3c.tidy.DOMDocumentImpl@1ce56f8
line 1 column 5 - Warning: replacing illegal character code 131
line 1 column 5 - Warning: replacing illegal character code 131
org.w3c.tidy.DOMDocumentImpl@5bece2
org.w3c.tidy.DOMDocumentImpl@11cf4e5
org.w3c.tidy.DOMDocumentImpl@121e5a
Characters codes for the Microsoft Windows fonts in the range
128 - 159 may not be recognized on other platforms. You are
instead recommended to use named entities, e.g. ™ rather
than Windows character code 153 (0x2122 in Unicode). Note that
as of February 1998 few browsers support the new entities."

line 1 column 1 - Warning: unexpected </head>
org.w3c.tidy.DOMDocumentImpl@3abc87
org.w3c.tidy.DOMDocumentImpl@2f5dda
org.w3c.tidy.DOMDocumentImpl@1bad2e8
org.w3c.tidy.DOMDocumentImpl@6c8255
org.w3c.tidy.DOMDocumentImpl@1e0bf98
org.w3c.tidy.DOMDocumentImpl@42bb13
line 1 column 22 - Warning: replacing illegal character code 131
line 1 column 159 - Warning: unexpected </a> in <img>
This document has errors that must be fixed before
using HTML Tidy to generate a tidied up version.

line 1 column 201 - Warning: unexpected </a> in <img>
line 1 column 205 - Warning: unexpected </noscript> in <img>
This document has errors that must be fixed before
using HTML Tidy to generate a tidied up version.
...
--------

hier ist mein Code:

//JTidy

Tidy tidy = new Tidy();
tidy.setMakeClean( true ); // Ohne Störungen
tidy.setXmlTags( false ); // Eingabe als XML behandeln

URL url;
try {
url = new URL( hier ist die http://... );

Reader inputStream = new InputStreamReader( url.openStream() );
BufferedReader in = new BufferedReader( inputStream );

for ( String s; ( s = in.readLine() ) != null; ){

ByteArrayInputStream is = new ByteArrayInputStream(s.getBytes("UTF-8"));

org.w3c.dom.Document doc = tidy.parseDOM( is, null );

System.out.println(doc);
}
}
catch (UnsupportedEncodingException e) {
e.printStackTrace();
} catch (MalformedURLException e) {
// TODO Auto-generated catch block
e.printStackTrace();
} catch (IOException e) {
// TODO Auto-generated catch block
e.printStackTrace();
}

Ich verstehe nicht, was macht wirklich die Tidy!
Also, Was ich möchte ist folgendes:
1. Ich lese aus einer Webseite die HTML-Struktur.
2. Da die Struktur nicht wohlgeformt ist, muss man sie umwandeln z.B. in XHTL!
3. Für diese Umwandelugn brauchen wir die JTidy.
Als Ergebnis muss man die wohlgeformte HTML-Struktur (gennant; XHTML) bekommen! Aber es tut nicht!!

Ich werde sehr dankbar, wenn Du mir helfen kannst.
schöne Grüße,
Hama

 

[Landei]

Keine Ahnung, wahrscheinlich musst du irgendwo die richtige Codierung (was auch immer die ist) einstellen.

Bitte [java] Tags im Forum verwenden!