Comment puis-je déséchapper les entités de caractères HTML en Java ?

Question

Fondamentalement, je voudrais décoder un document HTML donné, et remplacer tous les caractères spéciaux, tels que " " " " et ">" ">".

En .NET, nous pouvons utiliser la méthode HttpUtility.HtmlDecode.

Quelle est la fonction équivalente en Java?

Answer 1

J'ai utilisé les StringEscapeUtils.unescapeHtml4() de Apache Commons pour cela :

Déséchappe une chaîne contenant des échappements d'entités en une chaîne contenant les caractères Unicode réels correspondant aux échappements. Prend en charge les entités HTML 4.0.

Answer 2

J'ai essayé Apache Commons StringEscapeUtils.unescapeHtml3() dans mon projet, mais je n'étais pas satisfait de ses performances. Il s'avère qu'elle effectue beaucoup d'opérations inutiles. Par exemple, il alloue un StringWriter à chaque appel, même s'il n'y a rien à désencoder dans la chaîne. J'ai réécrit ce code différemment, maintenant il fonctionne beaucoup plus rapidement. Celui qui trouve ceci dans google est le bienvenu pour l'utiliser.

Le code suivant désencode tous les symboles HTML 3 et les échappements numériques (équivalent à Apache unescapeHtml3). Vous pouvez simplement ajouter d'autres entrées à la carte si vous avez besoin de HTML 4.

package com.example;

import java.io.StringWriter;
import java.util.HashMap;

public class StringUtils {

    public static final String unescapeHtml3(final String input) {
        StringWriter writer = null;
        int len = input.length();
        int i = 1;
        int st = 0;
        while (true) {
            // look for '&'
            while (i < len && input.charAt(i-1) != '&')
                i++;
            if (i >= len)
                break;

            // found '&', look for ';'
            int j = i;
            while (j < len && j < i + MAX_ESCAPE + 1 && input.charAt(j) != ';')
                j++;
            if (j == len || j < i + MIN_ESCAPE || j == i + MAX_ESCAPE + 1) {
                i++;
                continue;
            }

            // found escape 
            if (input.charAt(i) == '#') {
                // numeric escape
                int k = i + 1;
                int radix = 10;

                final char firstChar = input.charAt(k);
                if (firstChar == 'x' || firstChar == 'X') {
                    k++;
                    radix = 16;
                }

                try {
                    int entityValue = Integer.parseInt(input.substring(k, j), radix);

                    if (writer == null) 
                        writer = new StringWriter(input.length());
                    writer.append(input.substring(st, i - 1));

                    if (entityValue > 0xFFFF) {
                        final char[] chrs = Character.toChars(entityValue);
                        writer.write(chrs[0]);
                        writer.write(chrs[1]);
                    } else {
                        writer.write(entityValue);
                    }

                } catch (NumberFormatException ex) { 
                    i++;
                    continue;
                }
            }
            else {
                // named escape
                CharSequence value = lookupMap.get(input.substring(i, j));
                if (value == null) {
                    i++;
                    continue;
                }

                if (writer == null) 
                    writer = new StringWriter(input.length());
                writer.append(input.substring(st, i - 1));

                writer.append(value);
            }

            // skip escape
            st = j + 1;
            i = st;
        }

        if (writer != null) {
            writer.append(input.substring(st, len));
            return writer.toString();
        }
        return input;
    }

    private static final String[][] ESCAPES = {
        {"\"",     "quot"}, // " - double-quote
        {"&",      "amp"}, // & - ampersand
        {"<",      "lt"}, // < - less-than
        {">",      "gt"}, // > - greater-than

        // Mapping to escape ISO-8859-1 characters to their named HTML 3.x equivalents.
        {"\u00A0", "nbsp"}, // non-breaking space
        {"\u00A1", "iexcl"}, // inverted exclamation mark
        {"\u00A2", "cent"}, // cent sign
        {"\u00A3", "pound"}, // pound sign
        {"\u00A4", "curren"}, // currency sign
        {"\u00A5", "yen"}, // yen sign = yuan sign
        {"\u00A6", "brvbar"}, // broken bar = broken vertical bar
        {"\u00A7", "sect"}, // section sign
        {"\u00A8", "uml"}, // diaeresis = spacing diaeresis
        {"\u00A9", "copy"}, // © - copyright sign
        {"\u00AA", "ordf"}, // feminine ordinal indicator
        {"\u00AB", "laquo"}, // left-pointing double angle quotation mark = left pointing guillemet
        {"\u00AC", "not"}, // not sign
        {"\u00AD", "shy"}, // soft hyphen = discretionary hyphen
        {"\u00AE", "reg"}, // ® - registered trademark sign
        {"\u00AF", "macr"}, // macron = spacing macron = overline = APL overbar
        {"\u00B0", "deg"}, // degree sign
        {"\u00B1", "plusmn"}, // plus-minus sign = plus-or-minus sign
        {"\u00B2", "sup2"}, // superscript two = superscript digit two = squared
        {"\u00B3", "sup3"}, // superscript three = superscript digit three = cubed
        {"\u00B4", "acute"}, // acute accent = spacing acute
        {"\u00B5", "micro"}, // micro sign
        {"\u00B6", "para"}, // pilcrow sign = paragraph sign
        {"\u00B7", "middot"}, // middle dot = Georgian comma = Greek middle dot
        {"\u00B8", "cedil"}, // cedilla = spacing cedilla
        {"\u00B9", "sup1"}, // superscript one = superscript digit one
        {"\u00BA", "ordm"}, // masculine ordinal indicator
        {"\u00BB", "raquo"}, // right-pointing double angle quotation mark = right pointing guillemet
        {"\u00BC", "frac14"}, // vulgar fraction one quarter = fraction one quarter
        {"\u00BD", "frac12"}, // vulgar fraction one half = fraction one half
        {"\u00BE", "frac34"}, // vulgar fraction three quarters = fraction three quarters
        {"\u00BF", "iquest"}, // inverted question mark = turned question mark
        {"\u00C0", "Agrave"}, //  - uppercase A, grave accent
        {"\u00C1", "Aacute"}, //  - uppercase A, acute accent
        {"\u00C2", "Acirc"}, //  - uppercase A, circumflex accent
        {"\u00C3", "Atilde"}, //  - uppercase A, tilde
        {"\u00C4", "Auml"}, //  - uppercase A, umlaut
        {"\u00C5", "Aring"}, //  - uppercase A, ring
        {"\u00C6", "AElig"}, //  - uppercase AE
        {"\u00C7", "Ccedil"}, //  - uppercase C, cedilla
        {"\u00C8", "Egrave"}, //  - uppercase E, grave accent
        {"\u00C9", "Eacute"}, //  - uppercase E, acute accent
        {"\u00CA", "Ecirc"}, //  - uppercase E, circumflex accent
        {"\u00CB", "Euml"}, //  - uppercase E, umlaut
        {"\u00CC", "Igrave"}, //  - uppercase I, grave accent
        {"\u00CD", "Iacute"}, //  - uppercase I, acute accent
        {"\u00CE", "Icirc"}, //  - uppercase I, circumflex accent
        {"\u00CF", "Iuml"}, //  - uppercase I, umlaut
        {"\u00D0", "ETH"}, //  - uppercase Eth, Icelandic
        {"\u00D1", "Ntilde"}, //  - uppercase N, tilde
        {"\u00D2", "Ograve"}, //  - uppercase O, grave accent
        {"\u00D3", "Oacute"}, //  - uppercase O, acute accent
        {"\u00D4", "Ocirc"}, //  - uppercase O, circumflex accent
        {"\u00D5", "Otilde"}, //  - uppercase O, tilde
        {"\u00D6", "Ouml"}, //  - uppercase O, umlaut
        {"\u00D7", "times"}, // multiplication sign
        {"\u00D8", "Oslash"}, //  - uppercase O, slash
        {"\u00D9", "Ugrave"}, //  - uppercase U, grave accent
        {"\u00DA", "Uacute"}, //  - uppercase U, acute accent
        {"\u00DB", "Ucirc"}, //  - uppercase U, circumflex accent
        {"\u00DC", "Uuml"}, //  - uppercase U, umlaut
        {"\u00DD", "Yacute"}, //  - uppercase Y, acute accent
        {"\u00DE", "THORN"}, //  - uppercase THORN, Icelandic
        {"\u00DF", "szlig"}, //  - lowercase sharps, German
        {"\u00E0", "agrave"}, //  - lowercase a, grave accent
        {"\u00E1", "aacute"}, //  - lowercase a, acute accent
        {"\u00E2", "acirc"}, //  - lowercase a, circumflex accent
        {"\u00E3", "atilde"}, //  - lowercase a, tilde
        {"\u00E4", "auml"}, //  - lowercase a, umlaut
        {"\u00E5", "aring"}, //  - lowercase a, ring
        {"\u00E6", "aelig"}, //  - lowercase ae
        {"\u00E7", "ccedil"}, //  - lowercase c, cedilla
        {"\u00E8", "egrave"}, //  - lowercase e, grave accent
        {"\u00E9", "eacute"}, //  - lowercase e, acute accent
        {"\u00EA", "ecirc"}, //  - lowercase e, circumflex accen
        {"\u00EB", "euml"}, //  - lowercase e, umlaut
        {"\u00EC", "igrave"}, //  - lowercase i, grave accent
        {"\u00ED", "iacute"}, //  - lowercase i, acute accent
        {"\u00EE", "icirc"}, //  - lowercase i, circumflex accent
        {"\u00EF", "iuml"}, //  - lowercase i, umlaut
        {"\u00F0", "eth"}, //  - lowercase eth, Icelandic
        {"\u00F1", "ntilde"}, //  - lowercase n, tilde
        {"\u00F2", "ograve"}, //  - lowercase o, grave accent
        {"\u00F3", "oacute"}, //  - lowercase o, acute accent
        {"\u00F4", "ocirc"}, //  - lowercase o, circumflex accent
        {"\u00F5", "otilde"}, //  - lowercase o, tilde
        {"\u00F6", "ouml"}, //  - lowercase o, umlaut
        {"\u00F7", "divide"}, // division sign
        {"\u00F8", "oslash"}, //  - lowercase o, slash
        {"\u00F9", "ugrave"}, //  - lowercase u, grave accent
        {"\u00FA", "uacute"}, //  - lowercase u, acute accent
        {"\u00FB", "ucirc"}, //  - lowercase u, circumflex accent
        {"\u00FC", "uuml"}, //  - lowercase u, umlaut
        {"\u00FD", "yacute"}, //  - lowercase y, acute accent
        {"\u00FE", "thorn"}, //  - lowercase thorn, Icelandic
        {"\u00FF", "yuml"}, //  - lowercase y, umlaut
    };

    private static final int MIN_ESCAPE = 2;
    private static final int MAX_ESCAPE = 6;

    private static final HashMap<String, CharSequence> lookupMap;
    static {
        lookupMap = new HashMap<String, CharSequence>();
        for (final CharSequence[] seq : ESCAPES) 
            lookupMap.put(seq[1].toString(), seq[0]);
    }

}

Answer 3

La bibliothèque suivante peut également être utilisée pour l'échappement HTML en Java : unbescape.

L'HTML peut être déséchappé de cette manière :

final String unescapedText = HtmlEscape.unescapeHtml(escapedText);

Answer 4

Considérez l'utilisation de la classe Java HtmlManipulator. Vous devrez peut-être ajouter certains éléments (toutes les entités ne sont pas dans la liste).

Le Apache Commons StringEscapeUtils comme suggéré par Kevin Hakanson n'a pas fonctionné à 100% pour moi; plusieurs entités, comme ‘ (guillemet simple gauche), ont été traduites en '222' d'une manière ou d'une autre. J'ai également essayé org.jsoup et j'ai rencontré le même problème.

Answer 5

String str = "<p>&nbsp;Hello World</p>";
str = str.replaceAll("\\<.*?>", "").replaceAll("\\&.*?;", "");
System.out.println(str);

résultat est

Hello World