小编典典

我不确定标准库中是否有将执行此操作的规范化例程。我不认为标准的Unicode规范化程序会处理“智能”引号的转换-

但不要引用我。

明智的做法是转储ISO-8859-1并开始使用UTF-8。也就是说，可以将任何通常允许的Unicode代码点编码为HTML网页，编码为ISO-8859-1。您可以使用转义序列对它们进行编码，如下所示：

public final class HtmlEncoder {

private HtmlEncoder() {}

public static T escapeNonLatin(CharSequence sequence,

T out) throws java.io.IOException {

for (int i = 0; i < sequence.length(); i++) {

char ch = sequence.charAt(i);

if (Character.UnicodeBlock.of(ch) == Character.UnicodeBlock.BASIC_LATIN) {

out.append(ch);

} else {

int codepoint = Character.codePointAt(sequence, i);

// handle supplementary range chars

i += Character.charCount(codepoint) - 1;

// emit entity

out.append("");

out.append(Integer.toHexString(codepoint));

out.append(";");

}

}

return out;

}

}

用法示例：

String foo = "This is Cyrillic Ya: \u044F\n"

+ "This is fraktur G: \uD835\uDD0A\n" + "This is a smart quote: \u201C";

StringBuilder sb = HtmlEncoder.escapeNonLatin(foo, new StringBuilder());

System.out.println(sb.toString());

上面的字符左双引号(U+201C “ )被编码为＆＃x201C;。同样，对其他两个任意代码点也进行了编码。

需要谨慎使用此方法。如果您的文本需要针对HTML进行转义，则需要在上述代码或“与”号最终转义之前完成。

2020-10-07