Sha*_*ank 4 java arrays unicode utf-8 apache-commons
我有一个这样的字符串
String incoming = "<html> <head></head> <body> <p><span style=\"font-family: Arial;\">????????? (eff-kha-ri-STOE) T? ?????? (tee-KAH-nis)? M? ??????????.</span></p> </body></html>";
我正在使用 StringEscapeUtils 转义它
import org.apache.commons.text.StringEscapeUtils;
String escaped = StringEscapeUtils.escapeJava(incoming);
结果是
<html> <head></head> <body> <p><span style=\"font-family: Arial;\">\u0395\u03C5\u03C7\u03B1\u03C1\u03B9\u03C3\u03C4\u03CE (eff-kha-ri-STOE) T\u03B9 \u03BA\u03B1\u03BD\u03B5\u03AF\u03C2 (tee-KAH-nis)? M\u03B5 \u03C3\u03C5\u03B3\u03C7\u03C9\u03C1\u03B5\u03AF\u03C4\u03B5.</span></p> </body></html>
我已经尝试通过获取字节将其转换为 utf-8 但它不起作用，有什么办法可以修复它？
这是我尝试过的：
String s = new String(escaped.getBytes("UTF-8"), "UTF-8");
我还尝试了一个不同的库来转义文本仍然不起作用。
我假设您希望对输入中的单引号、双引号和反斜杠等字符String进行转义，但希望希腊字符保持不变。
不幸的是，StringEscapeUtils.escapeJava()会将具有 Unicode 值 > 的任何文本字符转换0x7f为它们的 Unicode Escape 等效项。例如，您的示例数据显示希腊字母 tau ( ?)\u03C4在 返回的字符串中转义为StringEscapeUtils.escapeJava()。我不知道为什么escapeJava()会这样。它的 Javadoc声明“使用 Java 字符串规则对字符串中的字符进行转义。 ”但我找不到“ Java 字符串规则”的正式定义。
一个简单的方法来去除Unicode转义字符在返回的字符串的StringEscapeUtils.escapeJava()方法是调用translate()的方法的UnicodeUnescaper()类：
将 \u+\d\d\d\d 形式的转义 Unicode 值转换回 Unicode。它支持多个 'u' 字符并且可以使用或不使用 +。
所以调用UnicodeUnescaper.translate()将返回一个String：
\u03C4将更改为?.代码很简单。使用您的数据：
import org.apache.commons.text.StringEscapeUtils;
import org.apache.commons.text.translate.UnicodeUnescaper;
void convert() {
String incoming = "<html> <head></head> <body> <p><span style=\"font-family: Arial;\">????????? (eff-kha-ri-STOE) T? ?????? (tee-KAH-nis)? M? ??????????.</span></p> </body></html>";
String escaped = StringEscapeUtils.escapeJava(incoming);
String greekChars = new UnicodeUnescaper().translate(escaped);
System.out.println("incoming: " + incoming);
System.out.println("escaped: " + escaped); // Quotes are escaped, and Greek characters are converted to Unicode escapes.
System.out.println("greekChars: " + greekChars); // Quotes remain escaped, but Unicode escapes are converted back to Greek characters.
}
这是println()调用的输出：
run:
incoming: <html> <head></head> <body> <p><span style="font-family: Arial;">????????? (eff-kha-ri-STOE) T? ?????? (tee-KAH-nis)? M? ??????????.</span></p> </body></html>
escaped: <html> <head></head> <body> <p><span style=\"font-family: Arial;\">\u0395\u03C5\u03C7\u03B1\u03C1\u03B9\u03C3\u03C4\u03CE (eff-kha-ri-STOE) T\u03B9 \u03BA\u03B1\u03BD\u03B5\u03AF\u03C2 (tee-KAH-nis)? M\u03B5 \u03C3\u03C5\u03B3\u03C7\u03C9\u03C1\u03B5\u03AF\u03C4\u03B5.</span></p> </body></html>
greekChars: <html> <head></head> <body> <p><span style=\"font-family: Arial;\">????????? (eff-kha-ri-STOE) T? ?????? (tee-KAH-nis)? M? ??????????.</span></p> </body></html>
BUILD SUCCESSFUL (total time: 0 seconds)
笔记：
org.apache.commons.text.translatefor UnicodeUnescaper. 中存在较旧的弃用版本org.apache.commons.lang3.text.translate。这是当前版本为 1.8 的 Apache Commons Text 下载页面的链接。UnicodeUnescaper.translate()修复由StringEscapeUtils.escapeJava(). 可能还有其他更简洁的方法（通过使用 的替代方法StringEscapeUtils.escapeJava()），但这种方法似乎对您的数据有效。