java - 区分 RSS 描述元素中的 HTML/XHTML 和纯文本

Question

长版:

那些熟悉 RSS 家族标准化噩梦的人可能知道 RSS 不会为您提供信息，例如“描述”元素 仅包含纯文本或 html 或 xhtml。

我目前使用 ROME-API 将各种 RSS 版本转换为 Atom 1.0。 Rome-API 会很高兴 解析 RSS 并稍后输出 Atom 提要。幸运的是，Atom 有一种方法可以声明包含文本、html 或 xhtml 的摘要。

例子。 订阅:

 <item>
       <link>http://www.schwarzwaelder-bote.de/wm?catId=79039&amp;artId=14737088&amp;rss=true</link>
        <title>Analyse: Winter reißt Löcher in Straßen und Kassen</title>
        <description>&lt;img src="http://www.schwarzwaelder-bote.de/cms_images/swol/dpa-InfoLine_rs-images/20100306/1192a_24128948.thumbnail.jpg" alt="Schlagloch" title="" border="0"&gt;&amp;nbsp;&amp    ;nbsp;&amp;nbsp;Berlin (dpa) - Von Schnee und Eis befreit sind Deutschlands Straßen, und jetzt geht es ans große Aufräumen....</description>
      </item>

变成: 原子:

<entry>
  <title>Analyse: Winter reißt Löcher in Straßen und Kassen</title>
  <link rel="alternate" href="http://www.schwarzwaelder-bote.de/wm?catId=79039&amp;artId=14737088&amp;rss=true" />
  <author>
    <name />
  </author>
  <id>http://www.schwarzwaelder-bote.de/wm?catId=79039&amp;artId=14737088&amp;rss=true</id>
  <summary type="text">&lt;img src="http://www.schwarzwaelder-bote.de/cms_images/swol/dpa-InfoLine_rs-images/20100306/1192a_24128948.thumbnail.jpg" alt="Schlagloch" title="" border="0"&gt;&amp;nbs    p;&amp;nbsp;&amp;nbsp;Berlin (dpa) - Von Schnee und Eis befreit sind Deutschlands Straßen, und jetzt geht es ans große Aufräumen....</summary>
</entry>

问题是 type="text" 告诉 firefox 之类的提要阅读器将摘要的内容呈现为文本 --> 你会看到所有的 html 源代码。

精简版:如何检测描述元素的内容是否为 (X)HTML，以便设置正确的类型属性？

Answer 1

嘿，我爷爷曾经读过那份报纸:)

检测 HTML 的一种非常原始的方法可能是从源代码中剥离任何标记(在 PHP 中，您可以使用 strip_tags() 执行此操作)并查看结果是否与原始标记不同。关于 RSS 的困惑，您可能必须运行两次，一次在 html_entity_decode() 之后，不过，这样实体编码和非编码标签都可以可靠地检测到。

通常，这应该会产生中途可靠的结果，但后来我看到了 ö:

   <title>Analyse: Dem Mutigen geh<F6>rt die Urne</title>

这是什么编码方式？我以前从没见过。那当然会被(错误地)解释为 HTML 标记。这是特定于原子的东西吗？