如何使用Java解码html代码？

Question

  

可能重复：
  Java: How to decode HTML character entities in Java like HttpUtility.HtmlDecode?

我需要从title文件中提取段落（如StackOverflow中的html）。

我可以在Java中使用正则表达式来提取我需要的字段，但我必须decode获得的字段。

示例

字段提取：

Paging Lucene&#39s search results (with **;** among **&#39** and **s**)

解码后的

字段：

Paging Lucene's search results

java中是否有允许我转换这些html代码的类？

Answer 1

使用Apache Commons Lang

提供的方法

import org.apache.commons.lang.StringEscapeUtils;
// ...
String afterDecoding = StringEscapeUtils.unescapeHtml(beforeDecoding);

Answer 2

不要尝试通过regexp解决所有问题。

虽然您可以执行某些操作 - 例如替换实体，但更好的方法实际上是使用（强大的） HTML解析器。

请参阅此问题：RegEx match open tags except XHTML self-contained tags 为什么用正则表达式瑞士军队电锯这是一个坏主意。 说真的，请阅读此问题和最佳答案，这是堆栈溢出突出显示！

  

Chuck Norris 可以使用正则表达式解析HTML。

坏消息是：编码字符的方法不止一种。

https://en.wikipedia.org/wiki/Character_encodings_in_HTML

  

例如，字符'λ'可以表示为λ，λ或λ

如果你真的不走运，一些网站依赖一些浏览器功能来猜测字符含义。例如，™无效，但许多浏览器会将其解释为™。

显然，最好将其留给专用库，而不是自己尝试破解自定义正则表达式。

所以我强烈建议：

• 将字符串输入强大的HTML解析器
• 解析（并完全解码）字符串

Answer 3

Neko HTML对HTML做了很多有用的转换，"HTML Text Parser: Converting HTML to Text in Java using NekoHTML"解释了如何专门用它来提取文本内容。