对于HTMLParser 2.0 工具包我们需要修改其中的Page.java文件使其适用中文的html文件分析。
主要是把protected static final String DEFAULT_CHARSET = "ISO-8859-1"；
修改成protected static final String DEFAULT_CHARSET = "gb2312"；
主要是兼容 charset = ‘GBK ‘声明的页面。
--因为采用默认的字符集"ISO-8859-1"对含有中文的html文件进行分析的时候就会出现乱码。必须进行new String(str.getBytes("ISO-8859-1")，"GB2312")的转换工作。
这样做比较麻烦。
对于修改好的htmlparser工具包，需要重新编译压缩成.jar文件，供项目调用。
原文：http://www.cnblogs.com/chengJAVA/p/3951588.html