如何在Java中对html实体 except <>＆“'进行转义

Question

我在utf-8中输入了html。 在此输入中，带重音的字符表示为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中尽可能用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&lt;b</body>
</html>

我需要这样做，以使其更容易在测试中比较html，并更易于肉眼阅读（许多逃脱重音字符使其很难阅读）。

我不在乎cdata节（输入中没有cdata）。

我尝试了JSOUP（ https://jsoup.org/ ）和Apache的Commons Text（ https://commons.apache.org/proper/commons-text/ ），但未成功：

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 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 &lt; which is not what I want
    String s2 = StringEscapeUtils.unescapeHtml4(html);
    System.out.println("s2: " + s2);
}

StringEscapeUtils.unescapeHtml4（）几乎是我所需要的，但不幸的是，它还取消了<并且：

<body>árvíztűrő<b</body>

我该怎么办？

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（）委托工作由一个由4个CharSequenceTranslator组成的AggregateTranslator：

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

我只需要三名翻译即可完成我的目标。

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>

如何在Java中对html实体 except <>＆“'进行转义

问题描述

1 个解决方案

解决方案1
0 2018-03-09 13:34:06

如何在Java中对html实体** except ** &lt;&gt;＆“&#39;进行转义

问题描述

1 个解决方案

解决方案1 0 2018-03-09 13:34:06

如何在Java中对html实体 except <>＆“'进行转义

解决方案1
0 2018-03-09 13:34:06