HttpURLConnection - Zeichensatz einstellen?

[der_Ben]

Hallo,

über eine HttpURLConnection lese ich derzeit verschiedene Websites und XML-Seiten in StringBuffer ein.
Leider ergibt das bei Sonderzeichen Probleme...
Kann ich schon beim Einlesen einstellen, mit welcher Codetabelle das Eingelesene interpretiert werden soll? (bspw. "UTF-8" / "windows-1252") oder bleibt mir ein nachträgliches Suchen & Ersetzen nicht erspart? (bspw. .replace"&", "&")


MfG
der Ben

 

[quippy]

Schicke den Kram durch einen XML-Parser. Der tut das dann für Dich. Für HTML kannst Du mal den HTML Tidy anschauen, der einen HTML-Parser mitliefert bzw. aus HTML (x)HTML machen kann, was dann jeder beliebige XML Parser wieder verstehen sollte.

 

[der_Ben]

Also irgendwie will das nicht so ganz gelingen.
Ist es möglich einen String der verschiedenste Ampersand Codes beinhaltet als z.B.

String myString = "&";

automatisch (also ohne .replace()) in den Inhalt "&" konvertieren lassen?

 

[quippy]

Das "&" etc. sind keine Darstellungen aus einem Zeichensatz, so daß man mit einer Zeichensatzkonvertierung was ausrichten könnte. Diese "benannten Zeichen" (Entities) sind eine Sonderlocke bei XML, wenn kein UTF-8 oder so als Codierung verwendet werden kann - oder aber, um Kodierungsproblemen aus dem Weg zu gehen.

Hier und auch hier steht da noch was zu.

Wenn Du das durch einen XML-Parser schiebst (was aber mit purem HTML nicht geht, da es nicht "wellformed" ist!!!), werden die Zeichen beim Transformieren korrekt ausgegeben, da Java ja Unicode kann.
Da Du HTML parsen müßtest, habe ich Dir den HTML Tidy ans Herz gelegt, der Dir da helfen kann.

Alternativ bleibt Dir nur eines übrig: selbst die Transformation durchzuführen. Weiteres Beispiel!

 

[quippy]

Übrigens (wie so oft) kann mal wieder Apache helfen

Das sollte für Dich tun!

 

[der_Ben]

Yeah, das Apache Ding funktioniert gut... hab ich die Apache Lizenz richtig verstanden? Ich darfs unmodifiziert verwenden, ohne etwas zu erwähnen zu müssen?!

 

[quippy]

Ich habe mir die spezielle Lizenz nicht angesehen, aber - ja, das sollte so sein.