如何隐藏HTML实体但保持XML实体不变？

Question

这是输入：

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

这是一个有效的HTML，但不是有效的XML（因为€没有在DTD中声明）。一个有效的XML看起来像：

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

你能推荐一些Java库，可以帮我取消转义HTML实体，并将其转换为XML实体？

Answer 1

Apache commons StringUtils.unescapeHTML会做。一般而言，XML API自身会转义XML实体。因此，您使用&设置了DOM属性或内容文本，并生成了&。 您可以将字符保留为UTF-8;不需要制作它们的数字实体。

当然你也可以处理HTML DTD。这也会填充字符。这可能需要几十秒。不幸的是，有很多实体，DTD包含和缓慢的服务器，所以最好使用这些DTD创建本地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); 

输出以UTF-8的Linux：

Text: <div>The price is < 5 €</div> 

这表明属性值和内部文本应处理片明智的。

Answer 2

所有HTML命名字符引用的名单可在http://www.whatwg.org/specs/web-apps/current-work/multipage/entities.json

如果你能忍受偶尔的错误，你可以只去了该文件，并替换未在独立的XML允许所有命名字符引用与相应的数字字符引用。

这种简单的方法可以遇到问题但如果你输入的是HTML，而不是XHTML：

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

包含脚本元素，其含量用能单位进行编码，所以天真地更换<这里将打破脚本。还有其他元素，例如<xmp>和<style>，它们可能具有与外部XML元素中的CDATA节类似的问题。

如果你需要一个非常忠实的转换，或者如果你的HTML是凌乱的，最好的办法可能是使用类似nu.validator到HTML解析为DOM，然后使用How to pretty print XML from Java?到DOM转换为有效的XML。

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