Java 在RSS描述元素中区分HTML/XHTML和纯文本

长版本：

熟悉RSS系列标准化噩梦的人可能知道 该RSS不会向您提供信息，例如“description”元素 只包含纯文本、html或xhtml

我目前使用ROME-API将各种RSS版本转换为Atom 1.0。 罗马API将很高兴 解析RSS，然后输出一个Atom提要。幸运的是，Atom能够声明摘要以包含文本、html或xhtml

例如。 RSS:

http://www.schwarzwaelder-bote.de/wm?catId=79039&artId=14737088&；rss=true
分析：斯特拉恩和卡森的冬季赖特·勒切尔
img src=”http://www.schwarzwaelder-bote.de/cms_images/swol/dpa-InfoLine_rs-images/20100306/1192a_24128948.thumbnail.jpg“alt=”Schlagloch“title=”border=“0”&；nbsp&；nbsp&；nbsp；柏林（dpa）-施奈德·施奈德·贝弗里特（Von Schnee and Eis befreit）是德国的一个城市，也是德国的一个城市。。。。

变成： 原子：

分析：斯特拉恩和卡森的冬季赖特·勒切尔
http://www.schwarzwaelder-bote.de/wm?catId=79039&artId=14737088&；rss=true
img src=”http://www.schwarzwaelder-bote.de/cms_images/swol/dpa-InfoLine_rs-images/20100306/1192a_24128948.thumbnail.jpg“alt=”Schlagloch“title=”border=“0”&；国家统计局&；nbsp&；nbsp；柏林（dpa）-施奈德·施奈德·贝弗里特（Von Schnee and Eis befreit）是德国的一个城市，也是德国的一个城市。。。。

问题是

type=“text”

告诉像firefox这样的提要阅读器将摘要内容呈现为文本-->您可以看到所有html源代码

---

Short-version：如何检测description元素的内容是（X）HTML，以便设置正确的类型属性？

嘿，我的祖父以前读过那份报纸：）

检测HTML的一种非常原始的方法是从源代码中剥离任何标记（在PHP中，您可以使用

strip_tags（）

）并查看结果是否与原始结果不同。关于RSS的混乱，您可能需要在

html\u entity\u decode（）

之前和之后运行两次，以便可靠地检测到实体编码和非编码标记

通常，这应该会产生一半可靠的结果，但随后我看到了

ö
：

   <title>Analyse: Dem Mutigen geh<F6>rt die Urne</title>

分析：数字高程模型

这是什么样的编码方法？我以前从未见过这种情况。这当然会被（错误地）解释为HTML标记。这是原子特有的吗？
嘿，我的爷爷以前读过那份报纸：）

检测HTML的一种非常原始的方法是从源代码中剥离任何标记（在PHP中，您可以使用
strip_tags（）
）并查看结果是否与原始结果不同。关于RSS的混乱，您可能需要在
html\u entity\u decode（）
之前和之后运行两次，以便可靠地检测到实体编码和非编码标记

通常，这应该会产生一半可靠的结果，但随后我看到了
ö
：

   <title>Analyse: Dem Mutigen geh<F6>rt die Urne</title>

分析：数字高程模型

这是什么样的编码方法？我以前从未见过这种情况。这当然会被（错误地）解释为HTML标记。这是atom特有的吗？
strip\u标记是原始的，它会吃掉任何稍微有点像标记的东西（例如，
1对不起，以前从未见过像这样的“ö”编码。@er4什么服务器端语言（如果有的话）你能使用吗？编辑：啊，我忽略了
Java
标记。你可以看看一些Java HTML剥离库，我仍然认为这是最好的方法。也许有一个要剥离的标记列表，从一个有效的HTML 4标记名列表中选取。这样就不会出现像编码奇怪的
ö
这样的边缘情况。谢谢你，佩卡。我是科伦tly查看nekohtml和jtidy，看看他们是否能做到。好的。我无法使用这两种方法找到一个好的解决方案。因此，现在我只是在寻找实体，如果我找到了实体，它必须是html；-）strip_标记是原始的，并且会吃掉所有稍微类似于标记的东西（例如，
1抱歉，以前从未见过像这样对“ö”进行编码。@er4什么服务器端语言（如果有的话）你能使用吗？编辑：啊，我忽略了
Java
标记。你可以看看一些Java HTML剥离库，我仍然认为这是最好的方法。也许有一个要剥离的标记列表，从一个有效的HTML 4标记名列表中选取。这样就不会出现像编码奇怪的
ö
这样的边缘情况。谢谢你，佩卡。我是科伦我正在仔细研究nekohtml和jtidy，看看他们是否能做到这一点。好的。我无法使用这两种方法中的任何一种找到一个好的解决方案。因此，现在我只是在寻找实体，如果我找到了实体，就必须是html；-）
   <title>Analyse: Dem Mutigen geh<F6>rt die Urne</title>