HTML ASCII代码‡无法转换为目标字符‡的问题求助

问题场景 #

输入字符串："Hello, world! ‡ end"
期望输出："Hello, world! ‡ end"
实际输出："Hello, world! end"

已尝试两种方法均得到相同结果：

尝试1：使用Apache Commons Text

import org.apache.commons.text.StringEscapeUtils;
String str = "Hello, world! ‡ end";
String res = StringEscapeUtils.unescapeHtml4(str); // 用unescapeHtml3结果一致
System.out.println(res); // 输出：Hello, world!  end

尝试2：正则匹配转换

String getUpdatedStr() {
    String str = "Hello, world! ‡ end";
    String regex = "&#(\\d+);";
    Pattern pattern = Pattern.compile(regex);
    Matcher matcher = pattern.matcher(str);
    StringBuffer sb = new StringBuffer();
    while (matcher.find()) {
        int asciiValue = Integer.parseInt(matcher.group(1));
        char asciiChar = (char) asciiValue;
        matcher.appendReplacement(sb, Character.toString(asciiChar));
    }
    matcher.appendTail(sb);
    return sb.toString(); // 输出：Hello, world!  end
}

原因分析 #

1. 标准ASCII与扩展ASCII的混淆
   标准ASCII仅覆盖0-127的字符，‡属于**扩展ASCII（如Windows-1252编码）**范畴。但Java的char类型基于Unicode编码，直接将十进制135转换为char得到的是Unicode U+0087——这是一个C1控制字符，无可见显示符号，因此输出时呈现为空。

2. 字符映射错误
   你参考的ASCII表中135对应的‡（双剑号），实际是Windows-1252编码下的扩展字符，其对应的Unicode编码为U+2021（十进制值为8225），而非135。直接用135转换自然无法得到目标可见字符。

解决方法 #

方法1：修正目标字符的Unicode映射

直接将‡替换为对应‡的Unicode值：

String getUpdatedStr() {
    String str = "Hello, world! ‡ end";
    String regex = "&#(\\d+);";
    Pattern pattern = Pattern.compile(regex);
    Matcher matcher = pattern.matcher(str);
    StringBuffer sb = new StringBuffer();
    while (matcher.find()) {
        int num = Integer.parseInt(matcher.group(1));
        char targetChar = num == 135 ? '\u2021' : (char) num;
        matcher.appendReplacement(sb, Character.toString(targetChar));
    }
    matcher.appendTail(sb);
    return sb.toString();
}

方法2：按指定编码处理扩展ASCII

批量处理扩展ASCII字符时，可将数值转为字节后按Windows-1252编码解码：

String getUpdatedStr() {
    String str = "Hello, world! ‡ end";
    String regex = "&#(\\d+);";
    Pattern pattern = Pattern.compile(regex);
    Matcher matcher = pattern.matcher(str);
    StringBuffer sb = new StringBuffer();
    while (matcher.find()) {
        int num = Integer.parseInt(matcher.group(1));
        String charStr;
        if (num > 127) {
            // 扩展ASCII按Windows-1252编码转换
            try {
                charStr = new String(new byte[]{(byte) num}, "Windows-1252");
            } catch (UnsupportedEncodingException e) {
                charStr = "";
                e.printStackTrace();
            }
        } else {
            charStr = Character.toString((char) num);
        }
        matcher.appendReplacement(sb, charStr);
    }
    matcher.appendTail(sb);
    return sb.toString();
}

方法3：修正HTML实体后再解码

若使用StringEscapeUtils，可先将‡替换为正确的Unicode实体”，再执行解码：

import org.apache.commons.text.StringEscapeUtils;
String str = "Hello, world! ‡ end";
// 替换为正确的HTML实体
String correctedStr = str.replace("‡", "”");
String res = StringEscapeUtils.unescapeHtml4(correctedStr);
System.out.println(res); // 输出：Hello, world! ‡ end

内容的提问来源于stack exchange，提问作者kar