关于利用Jsoup解析HTML中&nbsp；变成非传统空格或乱码问题解决方法

转载自 http://blog.csdn.net/hubin1989/article/details/49072947

在写爬虫的时候很多时候会遇到这种问题：HTML中源码显示&nbsp；没问题，但是利用Jsoup的text（）方法获取的文字就会出现问题，一般情况是&nbsp；变成非传统空格或者乱码，这样在解析的时候想切分字符串会无法成功。因为&nbsp；是ISO-8859-1的西欧编码，空格的编码为160，而我们普通使用的ASCII的空格编码是32.这样就会产生很多麻烦。
所以在利用Jsoup进行解析的时候要特别处理一下这类问题，因为如果编码不是乱码显示的都是空格，但是此空格非彼空格。
这种问题的处理一般有两种方法：
1、
把Element转化为字符串，用String.replace替换掉，再通过Jsoup.parse()把处理过的字符串转成Document,再通过Document.text() 得到处理过的内容。   如： 


String temp=tp.toString().replace(" "," ");
Document d=Jsoup.parse(temp);


System.out.println(d.text());


2、


把Element内的文字通过Element.toString()输出，再用String.replace替换。个人比较推荐这种方法。


String temp = els.text().replace(Jsoup.parse(" ").text(), " ");


System.out.println("temp");