Как преобразовать html мнемоники и ASCII последовательности в текст на Java?

Question

[Никита Склюев]

Здравствуйте уважаемые хабраграждане.

Делаю приложение под Андроид. Суть приложения в том что бы парсить определенный сайт и заносить к себе в базу определенные данные.

Столкнулся с проблемой, в данный содержаться html мнемоники (пример: &\lt;) и ASCII последовательности (пример: &\#039;)


Вопрос в том, как эти данные преобразовать в обычный текст?

Гугление никуда меня не привело, а может быть неправильно гуглил!?


Заранее весьма благодарен!!!

UPD: Засунул слеш после & (амперсанта) потому что браузер интерпретирует их!

Comments

[eugenius_nsk]

Чтобы браузер не интерпретировал такие последовательности, попробуйте писать так: < и '

[Eugene]

up

Answer 1

[abarmot]

парсер дурак — http://commons.apache.org/lang/api-2.4/org/apache/commons/lang/StringEscapeUtils.html#unescapeHtml(java.io.Writer, java.lang.String)

Comments

[Никита Склюев]

Спасибо, помогло!

Answer 2

[Александр]

Не проще ли данные просто выводить компонентой web-браузера?

Если же хочется всё же решить задачу рекомендую посмотреть как устроена функция html_entity_decode в phpjs. Ключевой момент — использование специальной таблицы для многочисленных мнемоник. Те, которые заданы шестандцатиречным числом, можно и попросту сконвертировать выдрав регуляркой код символа и подставив на его место символ с соответствующим кодом.

Comments

[Никита Склюев]

Компонент веб браузера там использовать не получится, специфика приложения такая. За ссылки спасибо, сейчас гляну

[Сергей Протько]

Собственно не вижу смысла использовать компонент WEB Браузера в приложении, реализовать поиск/замену подстроки мне кажется очень простым делом. Таблицу мнемоник найти проблем не составляет. заменить подстроку через регулярки или банальный String.Replace тоже можно.

Answer 3

[abarmot]

тыц — commons.apache.org/lang/api-2.4/org/apache/commons/lang/StringEscapeUtils.html#unescapeHtml(java.io.Writer, java.lang.String)

Answer 4

[Андрей Кунцевич]

UPD: Засунул слеш после & (амперсанта) потому что браузер интерпретирует их!

вместо слешей (;
< = <

Answer 5

[vasart]

Для решения этой задачи в Android есть класс android.text.Html

Html.fromHtml("&\lt;").toString();