Java-将命名的html实体转换为带编号的xml实体

Question

我正在将包含html命名实体的html块转换为使用编号的xml实体的xml兼容块，同时将所有html标记元素保留在原位。

这是通过测试说明的基本思想：

@Test
public void testEvalHtmlEntitiesToXmlEntities() {
    String input = "<a href=\"test.html\">link&nbsp;</a>";
    String expected = "<a href=\"test.html\">link&#160;</a>";
    String actual = SomeUtil.eval(input);
    Assert.assertEquals(expected, actual);
}

有人知道提供此功能的类吗？我可以编写一个正则表达式来遍历非元素匹配并执行以下操作：

xlmString += StringEscapeUtils.escapeXml(StringEscapeUtils.unescapeHtml(htmlString));

但希望有一种更简单的方法或已经提供此功能的Class。

Answer 1

您尝试过JTidy吗？

private String cleanData(String data) throws UnsupportedEncodingException {
    Tidy tidy = new Tidy();
    tidy.setInputEncoding("UTF-8");
    tidy.setOutputEncoding("UTF-8");
    tidy.setPrintBodyOnly(true); // only print the content
    tidy.setXmlOut(true); // to XML
    tidy.setSmartIndent(true); 
    ByteArrayInputStream inputStream = new ByteArrayInputStream(data.getBytes("UTF-8"));
    ByteArrayOutputStream outputStream = new ByteArrayOutputStream();
    tidy.parseDOM(inputStream, outputStream);
    return outputStream.toString("UTF-8");
}

虽然我认为它会修复某些情况下的HTML代码。