基本上，我想解码给定的HTML文档，并替换所有特殊字符，例如" " → " "和">" → ">"。
在.NET中，我们可以使用HttpUtility.HtmlDecode方法。
Java中的等效函数是什么？
12个回答
223
我已经使用了Apache Commons StringEscapeUtils.unescapeHtml4()来实现：
将包含实体转义符的字符串还原为包含与转义符相对应的Unicode字符的字符串。支持HTML 4.0实体。
- Kevin Hakanson
6
23很遗憾，我今天才意识到它不能很好地解码HTML特殊字符 :( - Sid
1一个不太光彩的技巧是将值最初存储在隐藏字段中以逃避它，然后目标字段应该从隐藏字段获取该值。 - setzamora
2我想将字符串
<p>üè</p> 转换为 <p>üé</p>，使用 StringEscapeUtils.unescapeHtml4() 方法得到的结果是 <p>üè</p>。有没有一种方法可以保留现有的 HTML 标记？ - Nickkk如果我有类似于
“ 的东西，它在 Windows-1252 中转义为引号，但在 Unicode 中是一些控制字符，那么转义编码可以更改吗？ - ifly6链接半损坏（页面锚点）。 - Peter Mortensen
67
其他答案提到的库可能是不错的解决方案，但如果你已经在项目中处理真实世界的HTML内容，
Jsoup项目比仅仅管理“ampersand pound FFFF semicolon”要好得多。// textValue: <p>This is a sample. \"Granny\" Smith –.<\/p>\r\n
// becomes this: This is a sample. "Granny" Smith –.
// with one line of code:
// Jsoup.parse(textValue).getText(); // for older versions of Jsoup
Jsoup.parse(textValue).text();
// Another possibility may be the static unescapeEntities method:
boolean strictMode = true;
String unescapedString = org.jsoup.parser.Parser.unescapeEntities(textValue, strictMode);
此外，您还可以获得方便的 API 用于提取和操作数据，使用最佳的 DOM、CSS 和 jQuery 类似的方法。它是开源的，并且采用 MIT 许可证。
- Dale
6
4点赞+，但我应该指出，新版本的Jsoup使用
.text()代替.getText()。 - SourceVisor6可以直接使用
org.jsoup.parser.Parser.unescapeEntities(String string, boolean inAttribute)方法进行转义。API文档：https://jsoup.org/apidocs/org/jsoup/parser/Parser.html#unescapeEntities-java.lang.String-boolean- - danneu3非常好，因为我已经在我的项目中使用Jsoup。此外，@danneu是正确的——Parser.unescapeEntities确实像宣传的那样工作。 - MandisaW
为什么以下代码不能返回未转义的HTML内容：Parser.unescapeEntities(Jsoup.parse("<div>•</div>").text(), true) - undefined
@DavesPlanet，当你尝试使用
Parser.unescapeEntities("<div>•</div>", true)时会发生什么？ - undefined1@Dale，请查看问题77405300以获取详细信息，但问题是我得到的是一个带有一个点的UTF16字符串，而不是文本。 - undefined
46
我在我的项目中尝试使用Apache Commons的StringEscapeUtils.unescapeHtml3()，但我对它的性能不满意。事实证明，它执行了许多无用的操作。首先，即使字符串中没有要取消转义的内容，每次调用它都会分配一个StringWriter。我已经以不同的方式重写了代码，现在它的速度快多了。
下面的代码取消转义所有HTML 3符号和数字转义（相当于Apache的unescapeHtml3）。如果需要HTML 4，您只需向映射添加更多条目即可。
package com.example;
import java.io.StringWriter;
import java.util.HashMap;
public class StringUtils {
public static final String unescapeHtml3(final String input) {
StringWriter writer = null;
int len = input.length();
int i = 1;
int st = 0;
while (true) {
// Look for '&'
while (i < len && input.charAt(i-1) != '&')
i++;
if (i >= len)
break;
// Found '&', look for ';'
int j = i;
while (j < len && j < i + MAX_ESCAPE + 1 && input.charAt(j) != ';')
j++;
if (j == len || j < i + MIN_ESCAPE || j == i + MAX_ESCAPE + 1) {
i++;
continue;
}
// Found escape
if (input.charAt(i) == '#') {
// Numeric escape
int k = i + 1;
int radix = 10;
final char firstChar = input.charAt(k);
if (firstChar == 'x' || firstChar == 'X') {
k++;
radix = 16;
}
try {
int entityValue = Integer.parseInt(input.substring(k, j), radix);
if (writer == null)
writer = new StringWriter(input.length());
writer.append(input.substring(st, i - 1));
if (entityValue > 0xFFFF) {
final char[] chrs = Character.toChars(entityValue);
writer.write(chrs[0]);
writer.write(chrs[1]);
} else {
writer.write(entityValue);
}
} catch (NumberFormatException ex) {
i++;
continue;
}
}
else {
// Named escape
CharSequence value = lookupMap.get(input.substring(i, j));
if (value == null) {
i++;
continue;
}
if (writer == null)
writer = new StringWriter(input.length());
writer.append(input.substring(st, i - 1));
writer.append(value);
}
// Skip escape
st = j + 1;
i = st;
}
if (writer != null) {
writer.append(input.substring(st, len));
return writer.toString();
}
return input;
}
private static final String[][] ESCAPES = {
{"\"", "quot"}, // " - double-quote
{"&", "amp"}, // & - ampersand
{"<", "lt"}, // < - less-than
{">", "gt"}, // > - greater-than
// Mapping to escape ISO-8859-1 characters to their named HTML 3.x equivalents.
{"\u00A0", "nbsp"}, // Non-breaking space
{"\u00A1", "iexcl"}, // Inverted exclamation mark
{"\u00A2", "cent"}, // Cent sign
{"\u00A3", "pound"}, // Pound sign
{"\u00A4", "curren"}, // Currency sign
{"\u00A5", "yen"}, // Yen sign = yuan sign
{"\u00A6", "brvbar"}, // Broken bar = broken vertical bar
{"\u00A7", "sect"}, // Section sign
{"\u00A8", "uml"}, // Diaeresis = spacing diaeresis
{"\u00A9", "copy"}, // © - copyright sign
{"\u00AA", "ordf"}, // Feminine ordinal indicator
{"\u00AB", "laquo"}, // Left-pointing double angle quotation mark = left pointing guillemet
{"\u00AC", "not"}, // Not sign
{"\u00AD", "shy"}, // Soft hyphen = discretionary hyphen
{"\u00AE", "reg"}, // ® - registered trademark sign
{"\u00AF", "macr"}, // Macron = spacing macron = overline = APL overbar
{"\u00B0", "deg"}, // Degree sign
{"\u00B1", "plusmn"}, // Plus-minus sign = plus-or-minus sign
{"\u00B2", "sup2"}, // Superscript two = superscript digit two = squared
{"\u00B3", "sup3"}, // Superscript three = superscript digit three = cubed
{"\u00B4", "acute"}, // Acute accent = spacing acute
{"\u00B5", "micro"}, // Micro sign
{"\u00B6", "para"}, // Pilcrow sign = paragraph sign
{"\u00B7", "middot"}, // Middle dot = Georgian comma = Greek middle dot
{"\u00B8", "cedil"}, // Cedilla = spacing cedilla
{"\u00B9", "sup1"}, // Superscript one = superscript digit one
{"\u00BA", "ordm"}, // Masculine ordinal indicator
{"\u00BB", "raquo"}, // Right-pointing double angle quotation mark = right pointing guillemet
{"\u00BC", "frac14"}, // Vulgar fraction one quarter = fraction one quarter
{"\u00BD", "frac12"}, // Vulgar fraction one half = fraction one half
{"\u00BE", "frac34"}, // Vulgar fraction three quarters = fraction three quarters
{"\u00BF", "iquest"}, // Inverted question mark = turned question mark
{"\u00C0", "Agrave"}, // А - uppercase A, grave accent
{"\u00C1", "Aacute"}, // Б - uppercase A, acute accent
{"\u00C2", "Acirc"}, // В - uppercase A, circumflex accent
{"\u00C3", "Atilde"}, // Г - uppercase A, tilde
{"\u00C4", "Auml"}, // Д - uppercase A, umlaut
{"\u00C5", "Aring"}, // Е - uppercase A, ring
{"\u00C6", "AElig"}, // Ж - uppercase AE
{"\u00C7", "Ccedil"}, // З - uppercase C, cedilla
{"\u00C8", "Egrave"}, // И - uppercase E, grave accent
{"\u00C9", "Eacute"}, // Й - uppercase E, acute accent
{"\u00CA", "Ecirc"}, // К - uppercase E, circumflex accent
{"\u00CB", "Euml"}, // Л - uppercase E, umlaut
{"\u00CC", "Igrave"}, // М - uppercase I, grave accent
{"\u00CD", "Iacute"}, // Н - uppercase I, acute accent
{"\u00CE", "Icirc"}, // О - uppercase I, circumflex accent
{"\u00CF", "Iuml"}, // П - uppercase I, umlaut
{"\u00D0", "ETH"}, // Р - uppercase Eth, Icelandic
{"\u00D1", "Ntilde"}, // С - uppercase N, tilde
{"\u00D2", "Ograve"}, // Т - uppercase O, grave accent
{"\u00D3", "Oacute"}, // У - uppercase O, acute accent
{"\u00D4", "Ocirc"}, // Ф - uppercase O, circumflex accent
{"\u00D5", "Otilde"}, // Х - uppercase O, tilde
{"\u00D6", "Ouml"}, // Ц - uppercase O, umlaut
{"\u00D7", "times"}, // Multiplication sign
{"\u00D8", "Oslash"}, // Ш - uppercase O, slash
{"\u00D9", "Ugrave"}, // Щ - uppercase U, grave accent
{"\u00DA", "Uacute"}, // Ъ - uppercase U, acute accent
{"\u00DB", "Ucirc"}, // Ы - uppercase U, circumflex accent
{"\u00DC", "Uuml"}, // Ь - uppercase U, umlaut
{"\u00DD", "Yacute"}, // Э - uppercase Y, acute accent
{"\u00DE", "THORN"}, // Ю - uppercase THORN, Icelandic
{"\u00DF", "szlig"}, // Я - lowercase sharps, German
{"\u00E0", "agrave"}, // а - lowercase a, grave accent
{"\u00E1", "aacute"}, // б - lowercase a, acute accent
{"\u00E2", "acirc"}, // в - lowercase a, circumflex accent
{"\u00E3", "atilde"}, // г - lowercase a, tilde
{"\u00E4", "auml"}, // д - lowercase a, umlaut
{"\u00E5", "aring"}, // е - lowercase a, ring
{"\u00E6", "aelig"}, // ж - lowercase ae
{"\u00E7", "ccedil"}, // з - lowercase c, cedilla
{"\u00E8", "egrave"}, // и - lowercase e, grave accent
{"\u00E9", "eacute"}, // й - lowercase e, acute accent
{"\u00EA", "ecirc"}, // к - lowercase e, circumflex accent
{"\u00EB", "euml"}, // л - lowercase e, umlaut
{"\u00EC", "igrave"}, // м - lowercase i, grave accent
{"\u00ED", "iacute"}, // н - lowercase i, acute accent
{"\u00EE", "icirc"}, // о - lowercase i, circumflex accent
{"\u00EF", "iuml"}, // п - lowercase i, umlaut
{"\u00F0", "eth"}, // р - lowercase eth, Icelandic
{"\u00F1", "ntilde"}, // с - lowercase n, tilde
{"\u00F2", "ograve"}, // т - lowercase o, grave accent
{"\u00F3", "oacute"}, // у - lowercase o, acute accent
{"\u00F4", "ocirc"}, // ф - lowercase o, circumflex accent
{"\u00F5", "otilde"}, // х - lowercase o, tilde
{"\u00F6", "ouml"}, // ц - lowercase o, umlaut
{"\u00F7", "divide"}, // Division sign
{"\u00F8", "oslash"}, // ш - lowercase o, slash
{"\u00F9", "ugrave"}, // щ - lowercase u, grave accent
{"\u00FA", "uacute"}, // ъ - lowercase u, acute accent
{"\u00FB", "ucirc"}, // ы - lowercase u, circumflex accent
{"\u00FC", "uuml"}, // ь - lowercase u, umlaut
{"\u00FD", "yacute"}, // э - lowercase y, acute accent
{"\u00FE", "thorn"}, // ю - lowercase thorn, Icelandic
{"\u00FF", "yuml"}, // я - lowercase y, umlaut
};
private static final int MIN_ESCAPE = 2;
private static final int MAX_ESCAPE = 6;
private static final HashMap<String, CharSequence> lookupMap;
static {
lookupMap = new HashMap<String, CharSequence>();
for (final CharSequence[] seq : ESCAPES)
lookupMap.put(seq[1].toString(), seq[0]);
}
}
- Nick Frolov
8
后来我发现当给空字符串作为参数时，这段代码会进入循环。当前版本已经修复了这个问题。 - Nick Frolov
这个是转义还是反转义？& 没有被解码。只有 & 被添加到映射中，所以它只能单向工作？ - mjs
3StringWriter 内部使用了一个使用锁的 StringBuffer。直接使用 StringBuilder 应该更快。 - Axel Dörfler
在上述代码中发现了一个错误，当遇到 "=" 即等于号时。应该将 writer.write(entityValue); 改为 writer.write(Character.toString((char)entityValue));。- Stevko 4小时前 - Stevko
4@NickFrolov，你的评论似乎有点混乱。例如，
auml代表的是ä而不是д。 - aioobe显示剩余3条评论
17
以下的库也可用于Java中的HTML转义：unbescape。
可以通过以下方式取消转义HTML：
可以通过以下方式取消转义HTML：
final String unescapedText = HtmlEscape.unescapeHtml(escapedText);
- Stephan
2
2它对此没有任何作用：
%3Chtml%3E%0D%0A%3Chead%3E%0D%0A%3Ctitle%3Etest%3C%2Ftitle%3E%0D%0A%3C%2Fhead%3E%0D%0A%3Cbody%3E%0D%0Atest%0D%0A%3C%2Fbody%3E%0D%0A%3C%2Fhtml%3E - user119102745您的文本并非HTML编码，而是URL编码。 - Mikhail Batcer
16
Spring框架HtmlUtils
如果您已经在使用Spring框架，请使用以下方法：
import static org.springframework.web.util.HtmlUtils.htmlUnescape;
...
String result = htmlUnescape(source);
- herman
12
这对我来说完成了工作。
import org.apache.commons.lang.StringEscapeUtils;
...
String decodedXML = StringEscapeUtils.unescapeHtml(encodedXML);
或者
import org.apache.commons.lang3.StringEscapeUtils;
...
String decodedXML = StringEscapeUtils.unescapeHtml4(encodedXML);
我想显然使用lang3总是更好的选择。
- tk_
4
一个非常简单但效率低下且没有使用任何外部库的解决方案是：
public static String unescapeHtml3(String str) {
try {
HTMLDocument doc = new HTMLDocument();
new HTMLEditorKit().read(new StringReader("<html><body>" + str), doc, 0);
return doc.getText(1, doc.getLength());
} catch(Exception ex) {
return str;
}
}
只有在需要解码的字符串数量很少时才应使用此方法。
- Horcrux7
1
1非常接近，但不完全正确 - 它将 "qwAS12ƷƸDžǚǪǼȌ" 转换为 "qwAS12ƷƸDžǚǪǼȌ\n"。 - Greg
3
最可靠的方法是使用
来自
并且可以对空格进行转义。
这将确保在Web表单中因复制和粘贴而产生的空格不会在数据库中保存。
String cleanedString = StringEscapeUtils.unescapeHtml4(originalString);
来自
org.apache.commons.lang3.StringEscapeUtils。并且可以对空格进行转义。
cleanedString = cleanedString.trim();
这将确保在Web表单中因复制和粘贴而产生的空格不会在数据库中保存。
- mike oganyan
1
StringEscapeUtils（Apache Commons Lang）
用于Java、JavaScript、HTML和XML的字符串转义和反转义。
import org.apache.commons.lang.StringEscapeUtils;
....
StringEscapeUtils.unescapeHtml(comment);
- Pramod H G
0
在我的情况下，我使用替换方法来测试每个变量中的每个实体。我的代码如下：
在我的情况下，这个很有效。
text = text.replace("Ç", "Ç");
text = text.replace("ç", "ç");
text = text.replace("Á", "Á");
text = text.replace("Â", "Â");
text = text.replace("Ã", "Ã");
text = text.replace("É", "É");
text = text.replace("Ê", "Ê");
text = text.replace("Í", "Í");
text = text.replace("Ô", "Ô");
text = text.replace("Õ", "Õ");
text = text.replace("Ó", "Ó");
text = text.replace("Ú", "Ú");
text = text.replace("á", "á");
text = text.replace("â", "â");
text = text.replace("ã", "ã");
text = text.replace("é", "é");
text = text.replace("ê", "ê");
text = text.replace("í", "í");
text = text.replace("ô", "ô");
text = text.replace("õ", "õ");
text = text.replace("ó", "ó");
text = text.replace("ú", "ú");
在我的情况下，这个很有效。
- Luiz dev
2
2这不是一个特殊的实体。甚至在问题中提到的两个也没有出现。 - Sandy Gifford
1这样做不会很好地扩展。 - denov
网页内容由stack overflow 提供, 点击上面的可以查看英文原文，
原文链接
原文链接