将HTML中的特殊字符转化为可显示的字符

很多时候丛网页中抽取的内容中都含有很多特殊的转义字符，网页中显示的要么是实体名称，要么是实体编码，如

显示	说明	实体名称	实体编号
	半方大的空白	 	 
	全方大的空白	 	 
	不断行的空白格	 	 
<	小于	&lt;	&#60;
>	大于	&gt;	&#62;
&	&符号	&amp;	&#38;
"	双引号	&quot;	&#34;
©	版权	&copy;	&#169;
®	已注册商标	&reg;	&#174;
™	商标（美国）	™	&#8482;
×	乘号	&times;	&#215;
÷	除号	&divide;	&#247;

这里有前人写好的，将实体编码转化为可显示字符的代码：Java的HTML的URL字符编码转换为Java字符串的函数 | 中文Flex例子。原理是根据实体编码中的数字，得到对应的字符。但上述方法不支持将实体名称转化为可显示字符，如能将"""转化为双引号，却不能识别"""。这次没有固定的规律，只能自己作映射了。比较折中的做法是转化如下几个常见的：

>	>
"	"
&nbsp
'	‘

修改后的代码如下：

/**
 * 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 part
			mat.appendReplacement(sb, mbChar);
		}
		mat.appendTail(sb);
		return new String(sb);
	}

	/* worker method */
	static String getMbCharStr(String digits) { // handle "12525" part which is
												// a
		char[] cha = new char[1]; // Unicode value stringnized
		try {
			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"));
	}
}

比较全的编码表参见：常用HTML转义字符,html转义符,JavaScript转义符,html转义字符表,HTML语言特殊字符对照表(ISO Latin-1字符集) 。