Question

我在utf-8中输入了html。在此输入中，重音字符显示为html实体。例如：

<html>
<head>
<META http-equiv="Content-Type" content="text/html; charset=utf-8">
</head>
<body>&aacute;rv&iacute;zt&#x0171;r&#x0151;&lt;b</body>
</html>

我的目标是通过在Java中使用utf-8字符替换html实体来“规范化”html。换句话说，替换除 < > & " '之外的所有实体。

目标：

<html> <head> <META http-equiv="Content-Type" content="text/html; charset=utf-8"> </head> <body>árvíztűrő<b</body> </html>

我需要这样做，以便更容易在测试中比较htmls，并且更容易用肉眼阅读（许多转义的重音字符使得它很难阅读）。

我不关心cdata部分（输入中没有cdata）。

我尝试过JSOUP（https://jsoup.org/）和Apache的Commons Text（https://commons.apache.org/proper/commons-text/）失败：

public void test() throws Exception { String html = "<html><head><META http-equiv=\"Content-Type\" content=\"text/html; charset=utf-8\">" + "</head><body>árvíztűrő<b</body></html>"; // this is not good, keeps only the text content String s1 = Jsoup.parse(html).text(); System.out.println("s1: " + s1); // this is better, but it unescapes the < which is not what I want String s2 = StringEscapeUtils.unescapeHtml4(html); System.out.println("s2: " + s2); }

StringEscapeUtils.unescapeHtml4（）几乎就是我所需要的，但不幸的是，它还没有出现在＆lt;也：

<body>árvíztűrő<b</body>

我该怎么做？

这是一个最小的演示：https://github.com/riskop/html_utf8_canon.git

Answer 1

查看Commons Text源代码很明显，StringEscapeUtils.unescapeHtml4（）将工作委托给一个AggregateTranslator，它由4个CharSequenceTranslator组成：

new AggregateTranslator(
        new LookupTranslator(EntityArrays.BASIC_UNESCAPE),
        new LookupTranslator(EntityArrays.ISO8859_1_UNESCAPE),
        new LookupTranslator(EntityArrays.HTML40_EXTENDED_UNESCAPE),
        new NumericEntityUnescaper()
);

我需要只有三位的译员才能完成我的目标。

所以就是这样：

    // this is what I needed!
    String s3 = new AggregateTranslator(
            new LookupTranslator(EntityArrays.ISO8859_1_UNESCAPE),
            new LookupTranslator(EntityArrays.HTML40_EXTENDED_UNESCAPE),
            new NumericEntityUnescaper()
    ).translate(html);
    System.out.println("s3: " + s3);

整个方法：

@Test
public void test() throws Exception {

    String html = 
            "<html><head><META http-equiv=\"Content-Type\" content=\"text/html; charset=utf-8\">" +
            "</head><body>&aacute;rv&iacute;zt&#x0171;r&#x0151;&lt;b</body></html>";

    // this is what I needed!
    CharSequenceTranslator UNESCAPE_HTML_EXCEPT_BASIC = new AggregateTranslator(
            new LookupTranslator(EntityArrays.ISO8859_1_UNESCAPE),
            new LookupTranslator(EntityArrays.HTML40_EXTENDED_UNESCAPE),
            new NumericEntityUnescaper()
    );

    String s3 = UNESCAPE_HTML_EXCEPT_BASIC.translate(html);
    System.out.println("s3: " + s3);

}

结果：

<html>
<head>
<META http-equiv="Content-Type" content="text/html; charset=utf-8">
</head>
<body>árvíztűrő&lt;b</body>
</html>

如何unescape html实体除了＆lt; ＆GT; ＆安培; “在java中

1 个答案:

如何unescape html实体**除了**＆lt; ＆GT; ＆安培; “在java中

1 个答案:

如何unescape html实体除了＆lt; ＆GT; ＆安培; “在java中