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."

有没有简单的方法来解码实体？（我正在使用Java）

我目前正在使用StringEscapeUtils.unescapeHtml4(myString.replace("'", "'"))作为临时黑客。可悲的是，org.apache.commons.lang3.StringEscapeUtils有unescapeHtml4和unescapeXML，但没有unescapeXhtml。

编辑：我确实想处理无效的XML，例如

我希望"&&xyzzy;"解码为"&&xyzzy;"

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

Answer 1

这可能没有直接关系，但您可能希望采用JSoup来处理类似的事情，尽管是从更高的级别。包括网页清理例程。

Answer 2

您是否尝试过基于 org.apache.commons.text.StringEscapeUtils 提供的功能实现 XHTMLStringEscapeUtils？

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 lib的模块化设计，创建自定义转义实用程序很容易。

你可以在这里找到一个完整的测试项目 xhtml-string-escape-utils