我使用java库Tidy来清理html代码。一些代码包含俄语字母的链接。例如
<a href="http://example.com/Русский">link with Russian letters</a>
我理解“Русский”必须转义,但我从用户那里获得了这个HTML。我的工作是将其转换为XHTML。
我觉得整齐试图逃避非拉丁字母,但结果我得到了
<a href="http://example.com/%420%443%441%441%43A%438%439">link with Russian letters</a>
这不是核心。正确的版本是
<a href="http://example.com/%D0%A0%D1%83%D1%81%D1%81%D0%BA%D0%B8%D0%B9">link with Russian letters</a>
Java代码
private static Tidy getTidy() {
if (null == tidy) {
tidy = new Tidy();
tidy.setQuiet(true);
tidy.setShowErrors(0);
tidy.setShowWarnings(false);
tidy.setXHTML(true);
tidy.setOutputEncoding("UTF-8");
}
return tidy;
}
public static String sanitizeHtml(String html, URI pageUri) {
boolean escapeMedia = false;
String ret = "";
try {
Document doc = getTidy().parseDOM(new StringReader("<body>" + html + "</body>"), null);
// here I make some processing
// string output
ByteArrayOutputStream out = new ByteArrayOutputStream();
Node node = doc.getElementsByTagName("body").item(0);
getTidy().pprint(node, out);
ret = out.toString().trim();
}
catch (Exception e) {
ret = html;
e.printStackTrace();
}
return ret;
}
答案 0 :(得分:1)
这是一种硬编码行为,它可能是一个错误。当他们使用UTF-8时,他们使用UTF-16来转义URL中的非ASCII字符。请参阅org/w3c/tidy/AttrCheckImpl.java
。