Question

这是输入：

<div>The price is &lt; 5 &euro;</div>

它是有效的HTML但不是有效的XML（因为在{DTD中未声明€）。有效的XML看起来像：

<div>The price is &lt; 5 &#8364;</div>

你能推荐一些可以帮助我浏览HTML实体并将它们转换为XML实体的Java库吗？

Answer 1

使用apache commons lang 3，该类仅替换特定于HTML的实体：

nuget pack HtAlarms.Common.csproj

Answer 2

http://www.whatwg.org/specs/web-apps/current-work/multipage/entities.json

提供了所有HTML命名字符引用的列表

如果您可以容忍偶然的错误，您可以查看该文件，并使用相应的数字字符引用替换独立XML中不允许的所有命名字符引用。

如果您的输入是HTML而不是XHTML，那么简单的方法可能会遇到问题：

<script>var y=1, lt = 3, x = y&lt; alert(x);</script>

包含一个脚本元素，其内容不使用实体进行编码，因此天真地替换此处的<会破坏脚本。还有其他元素，如<xmp>和<style>，可能会遇到与外国XML元素中的CDATA部分类似的问题。

如果您需要真正忠实的转换，或者您的HTML很混乱，最好的办法是使用nu.validator之类的内容将HTML解析为DOM，然后使用How to pretty print XML from Java?转换DOM有效的XML。

即使您的输入是XHTML，您也可能需要担心看起来像CDATA部分中的实体的字符序列。同样，解析和重新渲染可能是您的最佳选择。

Answer 3

Apache commons StringUtils.unescapeHTML会这样做。 XML API通常会自行转义XML实体。因此，您使用&设置DOM属性或内容文本，并生成&。您可以将字符保留为UTF-8;不需要为它们创建数字实体。

当然您也可以处理HTML DTD。这也会填补角色。这可能需要几十秒。不幸的是，有很多实体，DTD包含缓慢的服务器，因此最好使用这些DTD制作本地XML目录或缓存实体处理程序。

import org.apache.commons.lang.StringEscapeUtils;

    String html = "<div>The price is &lt; 5 &euro;</div>";
    String text = StringEscapeUtils.unescapeHtml(html);
    System.out.println("Text: " + text);

UTF-8 Linux中的输出：

Text: <div>The price is < 5 €</div>

这表明属性值和内部文本应该分段处理。

如何浏览HTML实体但保持XML实体不变？

3 个答案: