Java 转大写忽略 HTML 特殊字符答案

【问题标题】：Java to Upper Case Ignoring HTML Special CharactersJava 转大写忽略 HTML 特殊字符
【发布时间】：2012-08-23 14:41:22
【问题描述】：

如何将字符串转换为大写 String.toUpperCase() 忽略 &nbsp; 等特殊字符和所有其他字符。问题是它变成了 &NBSP;并且浏览器不会将它们识别为特殊的 HTML 字符。

我想出了这个，但它并没有涵盖所有特殊字符：

public static String toUpperCaseIgnoreHtmlSymbols(String str){
    if(str == null) return "";
        str = str.trim();
    str = str.replaceAll("(?i)&nbsp;"," ");
    str = str.replaceAll("&quot;","&#34;");
    str = str.replaceAll("&amp;","&#38;");
    //etc.
    str = str.toUpperCase();
    return str;
}

【问题讨论】：

标签： java html string encoding html-manipulation

【解决方案1】：

您是只对跳过 HTML 实体感兴趣，还是也想跳过标签？大块的 javascript 呢？链接中的 URL？

如果您需要支持这类东西，您将无法避免使用“真正的”HTML 解析器而不是正则表达式。例如，使用 jsoup 解析文档，操作生成的 Document，并将其转换回 HTML：

private String upperCase(String str) {
    Document document = Jsoup.parse(str);
    upperCase(document.body());
    return document.html();
}

private void upperCase(Node node) {
    if (node instanceof TextNode) {
        TextNode textnode = (TextNode) node;
        textnode.text(textnode.text().toUpperCase());
    }
    for (Node child : node.childNodes()) {
        upperCase(child);
    }
}

现在：

upperCase("This is some <a href=\"http://arnout.engelen.eu\">text&nbsp;with&nbsp;entities</a>");

将产生：

<html>
  <head></head>
  <body>
    THIS IS SOME 
    <a href="http://arnout.engelen.eu">TEXT&nbsp;WITH&nbsp;ENTITIES</a>
  </body>
</html>

【讨论】：

不使用 Jsoup 也可以吗？
嗯，是的，但是您需要包含或编写一些其他 HTML 解析器。 JSoup 是轻量级、高质量、经过良好测试并在许可许可下发布的。自己正确地做这样的事情并非易事。不知道你还能要求什么:)。

【解决方案2】：

你可以用这个正则表达式将字符串分成不同的组

(.+?)(&[^ ]+?;)

第一部分匹配特殊字符之前的文本，第二部分匹配特殊字符。

完成后，您可以仅将第一组转换为大写，重复字符串的所有匹配项。

【讨论】：

这比我的解决方案更简单，但在技术上失败了有人在其 HTML 中包含 &fooooo; 的极端情况。由于这不是一个定义的实体，它应该被解释为纯文本（因此被 Vad 的代码大写）。

【解决方案3】：

我认为您的想法是正确的，将所有命名实体替换为其数字等价物。

这是 W3C 的 HTML4 实体列表：http://www.w3.org/TR/html4/sgml/entities.html

您可以将其格式化为一个包含两列的表格，而无需做太多工作。（请注意，该链接上有三个表格。）我会这样做，然后读入表格，您可以轻松地从命名转换为数字并返回。

【讨论】：