Java如何处理XML中的 等HTML实体

XML解析器默认自动解析标准实体如zuojiankuohaophpcn、&、"，无需手动干预；若实体以原始字符串形式出现，则需额外解码。

Java处理XML中像zuojiankuohaophpcn、&、"这类HTML实体（实际是XML预定义实体）时，核心原则是：**XML解析器默认会自动解析这些标准实体，无需手动干预；但若它们以原始字符串形式出现在文本内容中（如未被正确转义或来自非标准来源），则需额外解码。**

XML解析器自动处理标准实体

Java内置的XML解析器（如DOM、SAX、StAX）在读取XML文档时，会自动将zuojiankuohaophpcn、youjiankuohaophpcn、&、'、"还原为对应字符（、>、&、'、"）。你从Node.getTextContent()或Characters事件中拿到的已经是解码后的结果。

• 确保XML文档本身格式正确，例如：5 zuojiankuohaophpcn 10&true → 解析后得到文本 "5
• 不要在解析前用正则或字符串替换去“提前解码”，这可能导致重复解码或破坏结构

手动解码非标准或残留实体字符串

如果字符串中存在未被XML解析器处理的实体（比如从HTML片段混入、JSON字段里嵌了XML实体、或解析失败后拿到的原始CDATA/文本），可借助工具类解码：

• 使用org.apache.commons.text.StringEscapeUtils.unescapeXml()（推荐，轻量且专注XML）
• 避免用StringEscapeUtils.unescapeHtml4()，它会处理HTML特有实体（如 ），可能引入意外行为
• 示例：StringEscapeUtils.unescapeXml("Hello & World") → "Hello & World"

生成XML时正确编码特殊字符

写入XML时，不要手动拼接zuojiankuohaophpcn等字符串。应让XML序列化器自动处理：

立即学习“Java免费学习笔记（深入）”；

• 用Transformer输出DOM树，或XMLOutputFactory写StAX事件，特殊字符会自动转义
• 若必须手动生成（不推荐），只对、>、&、"、'做转义，且严格使用XML标准形式（如zuojiankuohaophpcn，不是zuojiankuohaophpcn）
• 禁止直接用String.replace()批量替换，易出错且忽略上下文（如属性值和文本节点规则不同）

注意HTML实体与XML实体的区别

XML只定义了5个预设实体，其余（如 、©）属于HTML规范，在纯XML中非法。若XML中出现这类实体：

• 解析会失败（除非DTD声明了该实体），抛出SAXParseException
• 解决方案：预处理字符串，用StringEscapeUtils.unescapeHtml4()先转成Unicode，再交给XML解析器；或改用支持HTML实体的库（如Jsoup）先清洗
• 根本建议：统一数据源，避免HTML片段直接混入XML内容