如何在Java中unescape html特殊字符？

Question

我有一些我需要处理的文本字符串，在字符串中有HTML特殊字符。例如：

10����������������10������������������

我想将这些字符转换为utf-8。

我使用了org.apache.commons.lang3.StringEscapeUtils.unescapeHtml4，但没有任何运气。有没有一种简单的方法可以解决这个问题？

Answer 1

Apache commons-lang库具有StringEscapeUtils类，其具有unescapeHtml()实用程序方法。

String utf8Str = StringEscapeUtils.unescapeHtml(htmlStr);

您可能还需要unescapeXml()

Answer 2

@Bohemian的代码是正确的，它适用于我，你的未编码字符串是1010。

现在，我正在添加另一个答案而不是评论波希米亚人的答案，因为还有两件事需要提及：

1. 我将您的字符串复制粘贴到HTML代码中，浏览器无法正确呈现您的字符，因为您的字符串编码不正确，i。即字符串分别编码高代理和低代码用于两个字节的字符，而不是编码整个代码点（似乎原始字符串是UTF-16编码的字符串，可能是Java字符串？）。

2. 您希望将字符串重新编码为UTF-8。

一旦你的字符串未被StringEscapeUtils.unescapeHtml(htmlStr)解码（尽管编码错误，它成功地解码了你的字符串），但由于java字符串“不知道”关于“字符串编码”，所以没有多少意义编码。 （他们虽然在内部使用UTF-16。）

如果需要一组包含UTF-8编码“字符串”的字节，则需要从编码为UTF-8的字符串中获取“原始”字节：

String javaStr = StringEscapeUtils.unescapeHtml(htmlStr);
byte[] rawUft8String = javaStr.getBytes("UTF-8");

无论你需要什么，都可以使用这样的字节数组。

现在，如果您需要将UTF-8编码的字符串写入File，而不是该字节数组，则需要在创建正确的java.io.Writer时指定编码。

尝试使用此代码对字符串进行解码（首先更改文件路径），然后在支持UTF-8的任何编辑器中打开生成的文件：

java.io.Writer方法（更好）：

public static void main(String[] args) throws IOException {

    String str = "10����������������10������������������";

    String javaString = StringEscapeUtils.unescapeHtml(str);

    try(Writer output = new OutputStreamWriter(
            new FileOutputStream("/path/to/testing.txt"), "UTF-8")) {
        output.write(javaString);
    }
}

java.io.OutputStream方法（如果您已经有“原始字符串”）：

public static void main(String[] args) throws IOException {

    String str = "10����������������10������������������";

    String javaString = StringEscapeUtils.unescapeHtml(str);

    try(OutputStream output = new FileOutputStream("/path/to/testing.txt")) {
        for (byte b : javaString.getBytes(Charset.forName("UTF-8"))) {
            output.write(b);
        }
    }

}