我有一个这样的字符串
String incoming = "<html> <head></head> <body> <p><span style=\"font-family: Arial;\">Ευχαριστώ (eff-kha-ri-STOE) Tι κανείς (tee-KAH-nis)? Mε συγχωρείτε.</span></p> </body></html>";
我使用 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吗？
这是我尝试过的:
String s = new String(escaped.getBytes("UTF-8"), "UTF-8");
我还尝试了不同的库来转义文本仍然不起作用。
最佳答案
我假设您希望对输入String 中的单引号、双引号和反斜杠等字符进行转义，但希望希腊字符保持不变。
不幸的是，StringEscapeUtils.escapeJava() 会将 Unicode 值 > 0x7f 的任何文本字符转换为其 Unicode Escape 等效项。例如，您的示例数据显示希腊字母 tau (τ) 在 StringEscapeUtils.escapeJava() 返回的字符串中转义为 \u03C4 >。我不知道为什么 escapeJava() 这样做。 Its Javadoc指出“使用 Java 字符串规则转义字符串中的字符。”，但我找不到“Java 字符串规则”的正式定义。
删除 StringEscapeUtils.escapeJava() 返回的字符串中的 Unicode 转义的简单方法是调用 the UnicodeUnescaper() class 的 translate() 方法。 :
Translates escaped Unicode values of the form \u+\d\d\d\d back to Unicode. It supports multiple 'u' characters and will work with or without the +.
因此调用 UnicodeUnescaper.translate() 将返回一个 String:
- 保留字符串中的转义字符(例如双引号)不变。
- 将 Unicode 文字替换为对应的希腊字符。例如，
\u03C4将更改为τ。
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;\">Ευχαριστώ (eff-kha-ri-STOE) Tι κανείς (tee-KAH-nis)? Mε συγχωρείτε.</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;">Ευχαριστώ (eff-kha-ri-STOE) Tι κανείς (tee-KAH-nis)? Mε συγχωρείτε.</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;\">Ευχαριστώ (eff-kha-ri-STOE) Tι κανείς (tee-KAH-nis)? Mε συγχωρείτε.</span></p> </body></html>
BUILD SUCCESSFUL (total time: 0 seconds)
注释:
- 请务必使用
UnicodeUnescaper包org.apache.commons.text.translate。旧的已弃用版本存在于org.apache.commons.lang3.text.translate中。 This is a link访问 Apache Commons Text 的下载页面，目前版本为 1.8。 - 这不是一个理想的解决方案，因为它调用
UnicodeUnescaper.translate()来修复StringEscapeUtils.escapeJava()造成的困惑。可能还有其他更干净的方法(通过使用 StringEscapeUtils.escapeJava() 的替代方法)，但这种方法似乎适合您的数据。
关于java - StringEscapeUtils 不处理 utf-8，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/59280607/