Java: convierta entidades html con nombre en entidades xml numeradas

Question

Estoy tratando de convertir un bloque html que contenga entidades con nombre html en un bloque compatible con xml que use entidades numeradas xml y deje todos los elementos de etiqueta html en su lugar.

Esta es la idea básica ilustrada a través de la prueba:

@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); 
} 

Hay alguien consciente de una clase que proporciona esta funcionalidad? Puedo escribir una expresión regular para recorrer partidos no elemento y hacer:

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

pero espera hay una manera más fácil o una clase que ya proporciona esto.

Answer 1

¿Has probado con JTidy?

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"); 
} 

Aunque creo que va a reparar algunos de sus códigos HTML en caso de que algo tenga.

Última pregunta

• 1.
• 2.
• 3.
• 4.
• 5.
• 6.
• 7.
• 8.
• 9.
• 10.

 Cuestiones relacionadas

• 1.
• 2.
• 3.
• 4.
• 5.
• 6.
• 7.
• 8.
• 9.
• 10.