Java中HTML字符转义标准化/归一化实现方案咨询（需输出可安全解析的HTML）

嗨，我太懂你这个需求的痛点了——既要把各种花里胡哨的HTML字符转义（比如À的十进制、十六进制、实体名称转义）统一成标准形式，又得保证最终输出的HTML还是能安全解析，不能把原本的标签给搞坏，甚至连>这种嵌套转义的情况都得处理好，对吧？

我之前也碰到过类似的问题：直接用StringEscapeUtils.unescapeHtml4再escapeHtml4的操作完全不可行，因为会把HTML标签里的<、>也给转义成<、>，直接破坏整个HTML结构；而只处理转义又没法区分哪些是文本里的转义、哪些是标签的一部分。

给你分享一套亲测有效的实现思路，核心是先解析HTML结构，精准区分标签和文本，再单独标准化文本内容的转义：

核心思路拆解 #

1. 先把HTML解析成DOM结构：这样能精准区分「HTML标签（包括属性）」和「文本内容」——只有文本内容里的转义需要标准化，标签本身的半角符号绝对不能碰。
2. 对文本节点做「先全反转义，再标准转义」的操作：
   • 把文本里所有的转义（不管是十进制、十六进制还是实体名称）都转成原始字符；
   • 再把这些原始字符转成标准的HTML转义（比如À会被escapeHtml4转成À，优先用实体名称）。
3. 把处理后的DOM转回HTML字符串：这样标签部分完全保留原始结构，只有文本里的转义被标准化，最终的HTML是完全可安全解析的。

具体代码实现（结合Apache Commons Text + Jsoup） #

因为你已经在用Apache Commons Text了，再配合Jsoup（专门处理HTML解析的工具）就能完美解决问题，代码示例如下：

import org.apache.commons.text.StringEscapeUtils;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.nodes.Node;
import org.jsoup.nodes.TextNode;
import org.jsoup.select.NodeTraversor;
import org.jsoup.select.NodeVisitor;

public class HtmlEscapeNormalizer {
    public static String normalizeHtmlEscapes(String originalHtml) {
        // 用XML解析器避免Jsoup自动补全HTML标签，严格保留原始结构
        Document doc = Jsoup.parse(originalHtml, "", org.jsoup.parser.Parser.xmlParser());
        
        // 遍历所有节点，精准处理文本和属性
        new NodeTraversor(new NodeVisitor() {
            @Override
            public void head(Node node, int depth) {
                if (node instanceof TextNode) {
                    TextNode textNode = (TextNode) node;
                    // 1. 全反转义：把所有转义形式转成原始字符
                    String unescapedText = StringEscapeUtils.unescapeHtml4(textNode.text());
                    // 2. 标准转义：把原始字符转成统一的HTML转义形式
                    String normalizedText = StringEscapeUtils.escapeHtml4(unescapedText);
                    textNode.text(normalizedText);
                } else if (node instanceof Element) {
                    Element element = (Element) node;
                    // 同时处理元素属性里的转义
                    for (String attrKey : element.attributes().keySet()) {
                        String attrValue = element.attr(attrKey);
                        String unescapedAttr = StringEscapeUtils.unescapeHtml4(attrValue);
                        String normalizedAttr = StringEscapeUtils.escapeHtml4(unescapedAttr);
                        element.attr(attrKey, normalizedAttr);
                    }
                }
            }

            @Override
            public void tail(Node node, int depth) {
                // 不需要额外收尾操作
            }
        }).traverse(doc);
        
        // 把处理后的DOM转回HTML字符串
        return doc.html();
    }
}

代码说明 #

• 用Jsoup的XML解析器是为了避免它自动补全<html>、<body>这类标签，严格保留你输入的原始HTML片段结构；
• 只处理文本节点和属性值里的转义，标签本身的半角符号（比如<div>里的<）完全不动，绝对不会破坏HTML结构；
• 像À、À、À这类转义，最终都会被统一成À（escapeHtml4优先用实体名称）；
• 对于>这种嵌套转义，处理后会变成标准的>，既保留了原本要显示>的意图，又能被HTML安全解析。

额外提醒 #

如果你不想引入Jsoup依赖，只用Apache Commons Text单独处理几乎是不可能的——因为没有HTML结构解析的话，根本没法区分标签和文本，很容易把标签里的字符误转义，导致HTML完全失效。所以还是推荐用上面的方案，这是最稳妥的。

内容来源于stack exchange