如何整理xml中的ú之类的东西？答案

【问题标题】：How to tidy up things like ú in xml?如何整理xml中的ú之类的东西？
【发布时间】：2016-05-18 14:28:38
【问题描述】：

我有以下 XML 文件：

<?xml version="1.0" encoding="UTF-8"?>
<root>
<authors><![CDATA[&#x00E3;  &#x00FA; ]]></authors>  
</root>

我想将&#x00FA; 转换为ú。以下调用tidy 的方式不起作用。有谁知道正确的称呼方式是什么？

tidy --preserve-entities no --output-encoding utf8 tmp1.xml > tmp2.xml

【问题讨论】：

标签： xml unicode utf-8 tidy

【解决方案1】：

类似的 CDATA 部分

<![CDATA[&#x00E3; &#x00FA;]]>

不等价于

<![CDATA[ã ú]]>

在 CDATA 部分中，&、< 或 > 等字符会失去其特殊含义并按字面意思处理。所以上面的 CDATA 部分等价于

&amp;#x00E3; &amp;#x00FA;

您的转换不会“整理”您的 XML 文件，它实际上会更改字符数据。这就是为什么您无法使用简单的工具进行您正在寻找的转换。此外，您通常不能盲目地应用正则表达式，因为您不想更改可能包含 CDATA 部分的 XML 文件的其他部分。

如果您真的想像您描述的那样转换文件，您可能应该使用 XML 库以您选择的脚本语言编写一个小程序。该程序应该只解码您真正希望发生转换的 XML 文件部分中的实体。参见以下 Perl 脚本，例如：

use strict;
use XML::LibXML;

my $doc = XML::LibXML->new->parse_fh(\*STDIN);

# Process all text nodes within "authors" elements.
for my $authors_text ($doc->findnodes('//authors//text()')) {
    my $text = $authors_text->data;
    $text =~ s/&#x([0-9A-Fa-f]+);/chr(hex($1))/ge;
    $authors_text->setData($text);
}

print $doc->toString;

【讨论】：

【解决方案2】：

在 java 中的通用模式搜索和替换。

以下搜索 &# + 可选的 x（十六进制）+ 数字 + ;。

String fillInNumericEntities(String xml) {
    Pattern entityPattern = Pattern.compile("\\&#([Xx]?)([\\w]+);");
    StringBuffer sb = new StringBuffer(xml.length());
    Matcher m = entityPattern.matcher(xml);
    while (m.find()) {
         int numBase = m.group(1).isEmpty() ? 10 : 16;
         String number = m.group(2);
         try {
             int codePoint = Integer.parseInt(number, numBase);
             int[] codePoints = new int[] { codePoint };
             String ch = new String(codePoints, 0, 1);
             m.appendReplacement(sb, ch);
         } catch (NumberFormatException e) {
         }
    }
    m.appendTail(sb);
    return sb.toString();
}

备注：浏览器可以将特殊字符自动转换为数字实体，尤其是在 HTML <form accept-charset="UTF-8"> 缺失的情况下。

【讨论】：