java - 如何在 Java 中解码 XHTML 和/或 HTML5 实体？

Question

我有一些包含 的字符串XHTML 角色实体:

"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。遗憾的是， 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，例如我想要“&&xyzzy;”解码为“&&xyzzy;”

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

Answer 1

这可能不直接相关，但您可能希望采用 JSoup它处理类似的事情，尽管是从更高的层次。包括网页清洁程序。