如何在Java中正确反转义HTML实体以匹配浏览器解析效果？

问题根源 #

𝐿对应Unicode U+1D43F（数学斜体大写L），属于增补平面字符（超出U+FFFF范围），部分旧版解析库无法正确处理这类字符的代理对（增补平面字符需要两个char组合表示），导致反转义后出现乱码或错误结果。

手动解析方案 #

直接提取实体中的十进制/十六进制编码，通过Character.toChars()转换为正确字符，该方法会自动处理增补平面的代理对问题。

代码实现

import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class HtmlEntityDecoder {
    // 匹配十进制（&#数字;）和十六进制（&#x十六进制;）实体
    private static final Pattern HTML_ENTITY_PATTERN = Pattern.compile("&#(?:(\\d+)|x([0-9a-fA-F]+));");

    public static String decodeHtmlEntities(String input) {
        if (input == null || input.isEmpty()) {
            return input;
        }
        Matcher matcher = HTML_ENTITY_PATTERN.matcher(input);
        StringBuffer result = new StringBuffer();
        while (matcher.find()) {
            int codePoint;
            if (matcher.group(1) != null) {
                // 处理十进制实体
                codePoint = Integer.parseInt(matcher.group(1));
            } else {
                // 处理十六进制实体
                codePoint = Integer.parseInt(matcher.group(2), 16);
            }
            // 转换为对应字符（自动处理增补平面代理对）
            char[] chars = Character.toChars(codePoint);
            matcher.appendReplacement(result, new String(chars));
        }
        matcher.appendTail(result);
        return result.toString();
    }

    public static void main(String[] args) {
        String encodedStr = "测试数学斜体L：𝐿 或 𝐿";
        String decodedStr = decodeHtmlEntities(encodedStr);
        System.out.println(decodedStr);
        // 输出：测试数学斜体L：𝐿 或 𝐿
    }
}

与现有库结合使用 #

如果字符串中还包含其他HTML命名实体（比如&、<），可以先用成熟库（如Apache Commons Lang、Jsoup）处理这些常规实体，再用上述方法处理特殊的增补平面实体：

// 示例：先用Jsoup处理普通实体，再处理特殊实体
String rawStr = "混合内容：<数学符号𝐿>";
String tempDecoded = Jsoup.parse(rawStr).text();
String finalDecoded = HtmlEntityDecoder.decodeHtmlEntities(tempDecoded);

内容的提问来源于stack exchange，提问作者Hevv