java 将html特殊码转换成字符 &#x

 

首先得明白这种特殊码是什么，其实就是unicode吗 只是有格式而已。 

 

集  96c6 是16进制的格式。

注意在量词后面添加？ 来实现非贪婪模式

直接上代码吧

package com.xue.tools;

import java.io.BufferedWriter;
import java.io.FileWriter;
import java.io.IOException;
import java.net.MalformedURLException;
import java.net.URL;
import java.util.List;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

import org.dom4j.DocumentException;
import org.htmlcleaner.HtmlCleaner;
import org.htmlcleaner.TagNode;
import org.htmlcleaner.XPatherException;

public class Test {

	public static void main(String[] args) throws IOException, DocumentException, XPatherException {
		// 定义正则表达式来搜索中文字符的转义符号
		Pattern compile = Pattern.compile("&#.*?;");
		// 测试用中文字符
		String sourceString = "C集团天c津大唐国际盘山发电有限责任公司";
		Matcher matcher = compile.matcher(sourceString);
		// 循环搜索 并转换 替换
		while (matcher.find()) {
			String group = matcher.group();
			// 获得16进制的码
			String hexcode = "0" + group.replaceAll("(&#|;)", "");
			// 字符串形式的16进制码转成int并转成char 并替换到源串中
			sourceString = sourceString.replaceAll(group, (char) Integer.decode(hexcode).intValue() + "");
		}
		System.out.println(sourceString);
	}

}