java - 如何在java中取消转义html实体**除了** < > &“”答案

【问题标题】：how to unescape html entities **except** < > & " ' in javajava - 如何在java中取消转义html实体**除了** < > &“”
【发布时间】：2018-08-16 14:18:38
【问题描述】：

我在 utf-8 中有 html 输入。在此输入中，重音字符显示为 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，替换所有实体除了 &lt; &gt; &amp; &quot; &apos;。

目标：

<html>
<head>
<META http-equiv="Content-Type" content="text/html; charset=utf-8">
</head>
<body>árvíztűrő&lt;b</body>
</html>

我需要它以便更容易在测试中比较 html，并且更容易用肉眼阅读（大量转义的重音字符使其难以阅读）。

我不关心 cdata 部分（输入中没有 cdata）。

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

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，但不幸的是它使

<body>árvíztűrő<b</body>

我该怎么做？

这是一个最小的演示：https://github.com/riskop/html_utf8_canon.git

【问题讨论】：

标签： java html escaping html-entities

【解决方案1】：

查看 Commons Text 源代码，很明显 StringEscapeUtils.unescapeHtml4() 将工作委托给 AggregateTranslator，它由 4 个 CharSequenceTranslator 组成：

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

我需要只需要三个翻译来实现我的目标。

原来如此：

    // 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>

【讨论】：