使用java从html代码和重音清除字符串

Question

我需要从重音符和html口音代码中清除一个html字符串，当然我发现有很多代码可以执行此操作，但是，似乎没有一个代码可以用于我需要清理的文件。

此文件包含Postulación Ayudantías以及Gestión或Árbol

等字词

我发现很多代码用text.normalize和regex用来清理字符串，它适用于短字符串，但是我使用很长的字符串，那些使用短字符串的代码不能用于长串

我真的迷失在这里，我需要帮助！

这是我尝试过但没有工作的代码

Easy way to remove UTF-8 accents from a string?（对于字符串中的每个重音都返回“？”）

我使用正则表达式来删除html重音代码，但两者都不起作用：

string=string.replaceAll("á","a");
string=string.replaceAll("é","e");
string=string.replaceAll("í","i");
string=string.replaceAll("ó","o");
string=string.replaceAll("ú","u");
string=string.replaceAll("ñ","n");     

编辑：nvm，replaceAll正在工作，我写错了（“/á而不是”á）

任何帮助或想法？

Answer 1

我认为有几种选择可行。我先建议你 使用StringEscapeUtils.unescapeHtml4(String)来取消你的html实体（即将它们转换为普通的Java“utf-8”形式）。 然后，您可以使用ASCIIFoldingFilter过滤到“ASCII”等效项。

Answer 2

您需要区分是否要讨论包含标签等的整个HTML文档，或者仅仅是包含HTML编码数据的字符串。

如果您正在使用整个HTML文档，比如通过获取网页返回的内容，那么解决方案实际上不仅适用于堆栈溢出答案，因为您基本上需要HTML解析器来导航数据

但是，如果您只是处理HTML编码的字符串，那么您首先需要解码它。有很多实用程序可以这样做，例如Apache Commons Lang库StringEscapeUtils类。有关示例，请参阅this question。

一旦你解码了字符串，你需要逐个字符地迭代它并替换任何不需要的东西。您当前的方法不适用于十六进制编码的项目，并且您最终将需要构建一个覆盖all the possible HTML entities的巨大表格。