如何在 Java 中解码 XHTML 和/或 HTML5 实体？

Question

我有一些包含XHTML字符实体的字符串：

"They're quite varied"
"Sometimes the string ∈ XML standard, sometimes ∈ HTML4 standard"
"Therefore -> I need an XHTML entity decoder."
"Sadly, some strings are not valid XML & are not-quite-so-valid HTML <- but I want them to work, too."

有没有简单的方法来解码实体？（我正在使用 Java）

我目前正在StringEscapeUtils.unescapeHtml4(myString.replace("'", "\'"))用作临时黑客。可悲的是，org.apache.commons.lang3.StringEscapeUtils有unescapeHtml4和unescapeXML，但没有unescapeXhtml。

编辑：我确实想处理无效的 XML，例如我想要“&&xyzzy;” 解码为“&&xyzzy;”

编辑：我认为 HTML5 具有与 XHTML 几乎相同的字符实体，所以我认为 HTML 5解码器也可以。

Answer 1

这可能不直接相关，但您可能希望采用JSoup，它可以从更高的级别处理类似的事情。包括网页清理例程。