Problème avec le format HTML pendant le parsing

Bonjour,
je travaille sur l'élaboration d'un méta moteur (genre Copernic).
Le principe consiste à lancer des requêtes auprès de moteurs de recherche, d'obtenir le résultat (à cette étape, le parsing se fait automatiquement) puis de travailler sur les résultats (partie algorithmique), enfin de stocker les résultats dans un document XML.

Le problème que je rencontre vient des résultats fournis par Google qui emploie des tags pouvant dérouter le parsing. exemple
Pour le & commercial, le HTML "classique" donne & et google le note &am;
J'ai essayé de corriger ces problèmes alors je suis tombé sur un NullPointerException

Ne sachant pas trop ou se trouve le problème, je voudrais déjà savoir s'il existe une méthode pour transformer du texte en HTML et inversement. J'essaye de procéder par étapes.

HEllo,

Tu as les StringEscapeUtils des commons-lang de Jakarta qui te permet de faire les changement text -> HTML -> text.
http://jakarta.apache.org/commons/lang/

Sinon, le pb réside dans le fait, qu'apparement, Google n'utilise pas une sérialisation standard des charactère HTML. Je trouve cela un peut bizzard, peut-être devrait tu vérifier que tu n'as pas fait une erreur quelque part.

Si c'est réellement le cas, il faut que tu déserialize google toi même. Tu peut utiliser StringUtils des commons-lang de Jakarta pour faire tes remplacement.

Juste pour info, parser le contenu d'une page web pour en extraire de l'information est un peu hors d'âge.
Google met à disposition gratuitement une API. Tu recois les resultats des requêtes directement et tu en fais ce que tu veux.