將HTML中的特殊字元轉化為可顯示的字元

很多時候叢網頁中抽取的內容中都含有很多特殊的逸出字元，網頁中顯示的要麼是實體名稱，要麼是實體編碼，如

顯示	說明	實體名稱	實體編號
	半方大的空白	 	 
	全方大的空白	 	 
	不斷行的空白欄框	 	 
<	小於	&lt;	&#60;
>	大於	&gt;	&#62;
&	&符號	&amp;	&#38;
"	雙引號	&quot;	&#34;
	著作權	&copy;	&#169;
	登入商標	&reg;	&#174;
	商標（美國）		&#8482;
×	乘號	&times;	&#215;
÷	除號	&divide;	&#247;

這裡有前人寫好的，將實體編碼轉化為可顯示字元的代碼：Java的HTML的URL字元編碼轉換為Java字串的函數 | 中文Flex例子。原理是根據實體編碼中的數字，得到對應的字元。但上述方法不支援將實體名稱轉化為可顯示字元，如能將"""轉化為雙引號，卻不能識別"""。這次沒有固定的規律，只能自己作映射了。比較折中的做法是轉化如下幾個常見的：

>	>
"	"
&nbsp
'	‘

修改後的代碼如下：

/** * Convert HTML character enitities(Unicode) to part of a Java String */import java.util.regex.*;public class UnicodeCeToJavaString {static final String mbs = "&#(\\d+);"; // like "ロ"public static String EncodeCesToChars(String paramStr) {paramStr = paramStr.replace("&","&")        .replace("<","<")        .replace(">",">")        .replace(""","\"")        .replace(" "," ")        .replace("'","'");String mbChar;StringBuffer sb = new StringBuffer();Pattern pat = Pattern.compile(mbs);Matcher mat = pat.matcher(paramStr);while (mat.find()) {mbChar = getMbCharStr(mat.group(1)); // pass the digit partmat.appendReplacement(sb, mbChar);}mat.appendTail(sb);return new String(sb);}/* worker method */static String getMbCharStr(String digits) { // handle "12525" part which is// achar[] cha = new char[1]; // Unicode value stringnizedtry {int val = Integer.parseInt(digits);char ch = (char) val;cha[0] = ch;} catch (Exception e) {System.err.println("Error from getMbCharStr:");e.printStackTrace(System.err);}return new String(cha); // easy!, because Java uses Unicode}public static void main(String[] args) {System.out.println(UnicodeCeToJavaString.EncodeCesToChars("George&#39;s War in North America"));}}

比較全的編碼錶參見：常用HTML逸出字元,html轉義符,JavaScript轉義符,html逸出字元表,HTML語言特殊字元對照表(ISO Latin-1字元集) 。