如何在Java中解码XHTML和/或HTML5实体？

Question

我有一些包含 XHTML 字符实体的字符串：

"They're quite varied"
"Sometimes the string ∈ XML standard, sometimes ∈ HTML4 standard"
"Therefore -> I need an XHTML entity decoder."
"Sadly, some strings are not valid XML & are not-quite-so-valid HTML <- but I want them to work, too."

有没有简便的方法来解码实体？（我使用Java）

我现在正在使用StringEscapeUtils.unescapeHtml4(myString.replace("'", "\'"))作为临时解决办法。不幸的是，org.apache.commons.lang3.StringEscapeUtils只有unescapeHtml4和unescapeXML，没有unescapeXhtml。

编辑：我想要处理无效的XML，例如我希望"&&xyzzy"解码为"&&xyzzy"

编辑：我认为HTML5几乎有与XHTML相同的字符实体，所以我认为HTML 5 解码器也可以。

- Karol S

---

XHTML和HTML实体不是等价的吗？ - Sotirios Delimanolis

提示：XHTML 是有效的 XML。 - John Dvorak

@JanDvorak：如果输入保证是有效的XHTML，那我会很高兴。此外，XML本身并没有所有的HTML引用。 - Karol S

@SotiriosDelimanolis：' 在 HTML4 中不是一个字符实体引用。 - Karol S

@KarolS XHTML只是在HTML4的基础上增加了apos，所以你的“临时解决方案”应该可以工作。除非它不能处理你提到的错误？ - Mr Lister

Answer 1

你尝试过基于org.apache.commons.text.StringEscapeUtils提供的功能实现一个XHTMLStringEscapeUtils吗？

import org.apache.commons.text.StringEscapeUtils;
import org.apache.commons.text.translate.*;

public class XHTMLStringEscapeUtils {
    public static final CharSequenceTranslator ESCAPE_XHTML =
            new AggregateTranslator(
                    new LookupTranslator(EntityArrays.BASIC_ESCAPE),
                    new LookupTranslator(EntityArrays.ISO8859_1_ESCAPE),
                    new LookupTranslator(EntityArrays.HTML40_EXTENDED_ESCAPE)
            ).with(StringEscapeUtils.ESCAPE_XML11);

    public static final CharSequenceTranslator UNESCAPE_XHTML =
            new AggregateTranslator(
                    new LookupTranslator(EntityArrays.BASIC_UNESCAPE),
                    new LookupTranslator(EntityArrays.ISO8859_1_UNESCAPE),
                    new LookupTranslator(EntityArrays.HTML40_EXTENDED_UNESCAPE),
                    new NumericEntityUnescaper(),
                    new LookupTranslator(EntityArrays.APOS_UNESCAPE)
            );

    public static final String escape(final String input) {
        return ESCAPE_XHTML.translate(input);
    }

    public static final String unescape(final String input) {
        return UNESCAPE_XHTML.translate(input);
    }
}

由于Apache commons-text库的模块化设计，可以轻松创建自定义转义工具。

您可以在此处找到包含测试的完整项目 xhtml-string-escape-utils。

- ehe888

Answer 2

这可能与此直接相关，但您可能希望采用JSoup，它可以从更高的层面处理这样的事情。包括网页清理例程。

- jmkgreen

---

谢谢，看起来很不错，但在我的使用情况下可能会过度设计。 - Karol S

没有所谓的过度杀伤 - 只有问题和解决方案。JSoup是一种解决方案，比手动搜索和替换要好得多。 - Gimby