Java JTextPane HTML编辑器 UTF-8字符编码

Question

我正在使用JTextPane作为简单的HTML编辑器。

jtp=new JTextPane();
jtp.setContentType("text/html;charset=UTF-8");
jtp.setEditorKit(new HTMLEditorKit());

当我调用jtp.getText()时，我会得到所有特殊字符转义的漂亮HTML代码。 但是我不想转义国际字符（波兰语），而只想转义特殊的HTML字符，如&，<，> 当我在编辑器中输入时。

<foo>ą ś &

我得到

<foo>ą ś &

但我想得到。

<foo>ą ś &

这怎么可能？

- karolkpl

---

我使用 charset=cp1251 而不是 charset=UTF-8。 - mKorbel

你是从文件还是从网络获取这些数据的？如果是，则必须使用适当的字符集对缓冲区进行编码以转换为字符串值。 - mKorbel

Answer 1

很遗憾，这是不可能的。 javax.swing.text.html.HTMLWriter内部存在一个缺陷--它被硬编码为将任何非ASCII符号转换为其数字表示形式：

default:
    if (chars[counter] < ' ' || chars[counter] > 127) {
        if (counter > last) {
            super.output(chars, last, counter - last);
        }
        last = counter + 1;
        // If the character is outside of ascii, write the
        // numeric value.
        output("&#");
        output(String.valueOf((int)chars[counter]));
        output(";");
    }
    break;
}

这个逻辑无法以任何方式进行控制。

但是，如果您真的需要该功能，您可以做一些“疯狂的事情”：

1.将HTMLWriter源代码复制并粘贴到HTMLWriterHack中（在相同的包javax.swing.text.html中，并重命名其中所有字符串）。 2.将上面列出的三个output行替换为类似于output(String.valueOf(chars[counter]));的内容。 3.将HTMLDocument源代码复制并粘贴到HTMLDocumentHack中（在相同的包javax.swing.text.html中，重命名其中所有字符串，使其扩展HTMLDocument并删除冲突方法）。 4.使用下面列出的CustomEditorKit而不是HTMLEditorKit。

---

class CustomEditorKit extends HTMLEditorKit {
    @Override
    public void write(Writer out, Document doc, int pos, int len) throws IOException, BadLocationException {
        HTMLWriterHack writer = new HTMLWriterHack(out, (HTMLDocumentHack) doc);
        writer.write();
    }
    @Override
    public Document createDefaultDocument() {
        StyleSheet styles = getStyleSheet();
        StyleSheet ss = new StyleSheet();
        ss.addStyleSheet(styles);
        HTMLDocumentHack doc = new HTMLDocumentHack(ss);
        doc.setParser(getParser());
        doc.setAsynchronousLoadPriority(4);
        doc.setTokenThreshold(100);
        return doc;
    }
}

---

尽管上述步骤可行（我已测试），但我肯定不建议这样做。

- Oleg Mikheev

---

兄弟，我应该在哪里找到“HTMLDocumentHack”？ - user2889419

兄弟，你也解决了我的问题，非常感谢，我已经卡了两个星期了，谢谢老兄。 - user2889419

Answer 2

不可能的，所有大于代码127的字符都被翻译成数字实体& # number ;。HTML实体被翻译成命名实体& lt ;，等等。因此，您可以轻松地重新替换它们。（这是在HTMLWriter.output中完成的，似乎没有任何关于字符集的规定。）

- Joop Eggen

---

那么我无法区分 HTML 实体和非 HTML 实体吗？目前，我使用了模式（&#[0-9]+;），然后再使用 StringEscapeUtils.unescapeHtml4($1)。看起来它是有效的。 - karolkpl

你做得对，我是指你的解析过程将“，<”和“>”保持不变，因为它们像& quot;一样是命名实体。 - Joop Eggen