如何使用Java解码html代码？

可能重复：

我需要从

html

文件中提取段落（如StackOverflow中的

title

）

我可以使用Java中的正则表达式来提取我需要的字段，但我必须对获得的字段进行解码

示例

提取的字段：

Paging Lucene&#39s search results (with **;** among **&#39** and **s**)

解码后的字段：

Paging Lucene's search results

java中是否有允许我转换这些html代码的类？

使用

---

不要试图用regexp解决所有问题

虽然您可以做一些事情，例如替换实体，但更好的方法是实际使用（健壮的）HTML解析器

见这个问题： 对于为什么这是一个坏主意做瑞士陆军电锯认真地说，阅读这个问题和最上面的答案，这是一个堆栈溢出的亮点

Chuck Norris可以用正则表达式解析HTML

坏消息是：编码字符的方法不止一种

例如，字符“λ”可以表示为

λ，
和#x03BB或
和#X03bb

如果你真的不走运，一些网站会依赖浏览器的功能来猜测字符的含义<代码>™无效，但许多浏览器会将其解释为
™

显然，最好将其留给专门的库，而不是自己尝试破解自定义正则表达式。

因此，我强烈建议：


将字符串馈送到健壮的HTML解析器中
返回已解析（并完全解码）的字符串
您的HTML是否包含标记？是的，但提取的字段不包含用于初学者的标记，这首先是完全错误的。只需使用一个类似的Jsoup。一个稍微好一点的就可以立即为您卸载HTML了。我需要从具有相同结构和标记的HTML中提取（比如wikipedia）。所以我认为正则表达式是一个很好的方法。@Carasus先生：不，不是。使用HTML解析器和DOM进行提取。这就是他们的目的！顺便说一句，尝试使用DBPedia。它已经是维基百科的解析版本。你知道StackOverflow的解析版本吗？我尝试将正则表达式与stackoverflow htmls结合使用，效果很好。我用一组应用于htlm的正则表达式提取标题和答案。@MikeSamuel页面在第3条中写道：“不……在U+0080–U+009F范围内”。0x0099在此范围内。-最新链接
import org.apache.commons.lang.StringEscapeUtils;
// ...
String afterDecoding = StringEscapeUtils.unescapeHtml(beforeDecoding);