我正在使用“ * org.apache.commons.lang.StringEscapeUtils.unescapeHtml（myHtmlString）”将HTML实体转义转换为包含与转义相对应的实际Unicode字符的字符串。但是，它不能正确解析“破折号”和“破折号”符号。当正确的错位是“ \ u2013”时，StringEscapeUtils用“ \ u0096”替换“ –”。如我所读，“ \ u0096”与cp1252等效于“ –”。那么如何使它以正确的方式工作呢？我知道我可以手动替换它，但是我想知道是否可以使用StringEscapeUtils或任何其他实用程序来替换它。
最佳答案
And as I have read "\u0096" is cp1252 equivalent for "–".
我不这么认为。 Unicode中的0x0096是C1控制代码：
http://en.wikipedia.org/wiki/C0_and_C1_control_codes
并且不太可能替代“-”（如您所写）。
好吧，如果StringEscapeUtils确实搞砸了（破折号确实应该是\ u2013），并且如果它是唯一的转义，那就搞砸了，并且如果您的字符串中没有任何其他0x0096的原因，那么在调用StringEscapeUtils之后的replaceAll应该可以工作。
以下是您期望的替换：
System.out.println("Broken\u0096stuff".replaceAll("\u0096", "\u2013"));
但是，您首先应该确保StringEscapeUtils确实弄乱了事情，并且确实要理解为什么/如何在Java String中获得该0x0096。
然后，也许还应该向您指出，可悲的是Java的Unicode支持是主要的SNAFU，因为Java是在Unicode 3.1诞生之前就诞生的。
因此，对char基元使用16位似乎是一个聪明的主意，对4个十六进制数字'\ uxxxx'进行转义似乎是一个聪明的主意，用String的长度表示char []的长度似乎是一个好主意。 （）方法等
这些实际上都是非常愚蠢的主意，导致出现了一个主要的Java SNAFU，其中char原语实际上不再能够容纳Unicode char，并且String的length方法实际上并未返回String的实际长度。
我喜欢以下内容：
final char brokenCharCannotRepresentUnicode31Codepoints = '\uFFFF'; // How do I store a Unicode 3.1 codepoint here!?
为什么这个rant怒？好吧，因为我不知道String的replaceAll中的正则表达式替换是如何实现的，但是如果有情况（例如某些代码点）使用String的replaceAll，例如char和like length和\ uxxxx，我真的不会感到惊讶..嗯，完全坏了。