KAWA Photo

       使用ViVa提取网页正文并将结果保存在文件中，发现提取结果总是在每一个段落前发现奇怪的“????”，开始总以为是编码的问题，后来发现引起这个问题的原因居然是HTML中空格的转义 ，怀疑是ViVa使用的HTMLParser上，后来Forest发现使用其他的HTMLParser也会有这个问题。到底问题在哪里？其实这个问题很简单，先要看一下普通HTMLParser是如何处理HTML文档的。

HTML -> HTML Tag 补全 -> XML Parser

1. HTMLParser处理HTML第一步要对HTML文档进行HTML补全，将HTML文档补全成XML的形式。
2. 将补全的“xHTML”放到一个XML Parser中进行处理。

      问题就处在了HTML转换成xHTML这一步上，HTML中空格字符的转义是 ，而xHTML中空格字符的转义为 ，使用在XML中使用  XMLParser将验证失败。这样在HTML到xHTML的转换中HTMLParser会将 转换成 ，处理完成便会将 转译成空格。至于为什么输出到文件空格为变成“?”，现在还在探究中...

    目前的解决方案是将HTML文档在进入到HTMLParser前将&nsbp;过滤掉，但是由于ViVa的源代码遗失所以目前的方法是对ViVa处理后的结果进行escapeHtml操作，然后过滤掉 然后再unescapeHtml，再将结果保存在文件中。