MATLAB：讀取HTML的代碼（XML內）

Question

我試圖讀取使用MATLAB波蘭樹庫的下列XML文件：http://zil.ipipan.waw.pl/Sk%C5%82adnica?action=AttachFile&do=view&target=Sk%C5%82adnica-frazowa-0.5-TigerXML.xml.gz

波蘭字母似乎被編碼爲HTML碼：http://webdesign.about.com/od/localization/l/blhtmlcodes-pl.htm

例如，ł代表'ł'。如果我用打開的樹庫「UTF-8」，我得到這樣kłaniał的話，這實際上應顯示爲數k ł阿尼亞ł'

現在，我看到2個選項正確讀取的樹庫：

1. 直接讀取XML文件，以便將HTML代碼轉換爲相應的字符。
2. 首先以非解碼格式保存文字（例如kłaniał），然後再轉換文字。

是否有可能在MATLAB中執行2個選項之一（或兩者）？

Answer 1

非MATLAB的解決方案是通過一些外部工具對文件進行預處理。例如，在安裝Ruby的情況下，可以使用HTMLentities gem來取消所有特殊字符。

sudo gem install htmlentities 

讓file.xml是應該由ascii-only字符組成的文件名。在Ruby代碼轉換的文件可能是這樣的：

#!/usr/bin/env ruby 

require 'htmlentities' 
xml = File.open("file.xml").read 
converted_xml = HTMLEntities.new.decode xml 
IO.write "decoded_file.xml", xml 

（運行該文件，不要忘記chmod +x它，使其可執行文件）。 或者更緊湊，作爲一個班輪

ruby -e "require 'htmlentities';IO.write(\"decoded_file.xml\",HTMLEntities.new.decode(File.open(\"file.xml\").read))" 

然後，您可以按照自己的喜好進行後處理的XML。