Unicode标题，问号的Unicode问题？ 65533;

Question

我试图解析从以下网页标题：http://kid37.blogger.de/stories/1670573/

当我使用apache.commons.lang StringEscapeUtils.escapeHTML方法标题元素，我得到以下

Das hermetische Caf�: Rock & Wrestling 2010 

然而，当我在utf-8编码的网页上显示它只是显示一个问号。

使用下面的代码：

String title = StringEscapeUtils.escapeHtml(myTitle); 

如果我通过这个网站运行标题：http://tools.devshed.com/?option=com_mechtools&tool=27我得到以下输出这似乎是正确的

标题：

<title>Das hermetische Café: Rock &amp; Wrestling 2010</title> 

变成（其中我期待的escapeHtml方法）：

<title>Das hermetische Caf&eacute;: Rock &amp; Wrestling 2010</title> 

有什么想法？谢谢

Answer 1

U + FFFD（十进制65533）是“替换字符”。当解码器遇到无效字节序列时，它可能会（取决于其配置）替代＆＃xFFFD;对于腐败的序列并继续。

“损坏”序列的一个常见原因是应用了错误的解码器。例如，解码器可能是UTF-8，但页面实际上是使用ISO-8859-1进行编码的（默认情况下，如果未在内容类型标头或等效内容中指定另一个）。

因此，在将字符串传递给escapeHtml之前，“eacute;”已经被替换为“＆＃xFFFD;”;该方法正确编码。

有问题的页面使用ISO-8859-1编码。确保在将提取的资源转换为String时使用该解码器。