使用 Node 的 setTextContent 方法防止重新编码＆符号
Prevent re-encoding ampersands using Node's setTextContent method
背景
在 XHTML 文档中将直引号转换为弯引号和撇号。给定一个带有直引号的文档（" 和 '），执行一些预处理以将直引号转换为它们的卷曲语义等价物（“、”、 ‘、’ 和 '）。通常，卷曲字符 ’ 用于结束单引号 (’) 和 撇号 (')，但这会丢失 semantic 的意思，我想通过使用实体来保留它——以便随后翻译成 TeX（例如，\quote{outer \quote{we’re inside quotes} outer}）。因此：
Markdown -> XHTML (straight) -> XHTML (curled) -> TeX
代码正在使用 Java 的内置文档对象模型 (DOM) 类.
问题
调用 Node 的 setTextContent 方法将对任何符号进行双重编码，结果为：
“I reckon, I'm 'bout dat.”
“Elizabeth Davenport;” she said ‘Elizabeth’ to be dignified, “and really my father owns the place.”
而不是：
“I reckon, I'm 'bout dat.”
“Elizabeth Davenport;” she said ‘Elizabeth’ to be dignified, “and really my father owns the place.”
通过设置处理指令禁用和启用似乎不起作用。
代码
这是 walk 一棵树的代码：
public static void walk(
final Document document, final String xpath,
final Consumer<Node> consumer ) {
assert document != null;
assert consumer != null;
try {
final var expr = lookupXPathExpression( xpath );
final var nodes = (NodeList) expr.evaluate( document, NODESET );
if( nodes != null ) {
for( int i = 0, len = nodes.getLength(); i < len; i++ ) {
consumer.accept( nodes.item( i ) );
}
}
} catch( final Exception ex ) {
clue( ex );
}
}
这是将引号替换为卷曲等效项的代码：
walk(
xhtml,
"//*[normalize-space( text() ) != '']",
node -> node.setTextContent( sConverter.apply( node.getTextContent() ) )
);
其中 xhtml 是 Document 和 sConverter 卷曲引号。
问题
你如何指示 DOM 接受 ' 和朋友而不重新编码符号？
相关
半相关问题：
- How to disable/avoid Ampersand-Escaping in Java-XML?
- XML DOM setTextContent
- Java XML Parsing: Avoid entity reference resolution
更改预处理以将直引号替换为 Unicode 字符，而不是无效的 XML 实体。这些实体由 HTML 定义，并且无效 XML.
“ 应该是 “ 或 \u201C 如果写成 Java literal” 应该是 ” 或 \u201D 如果写成 Java literal‘ 应该是 ‘ 或 \u2018 如果写成 Java literal’ 应该是 ’ 或 \u2019 如果写成 Java literal' 应该是 '
XML 处理器可以自由地将字符和字符实体视为可互换的，因此尝试使用字符实体来表示语义注定是失败的。
我会改用标记。我怀疑自定义处理指令是“偷偷”添加语义的好方法：
<text>"She told me, 'Don't forget the bread.'"</text>
会变成：
<text><?q?>“She told me, <?q?>‘Don’t forget the bread.<?q?>’<?q?>”</text>
其中<?q?>处理指令是一个信号，表明后面的代码点作为引号具有语义意义。
当然，如果你愿意，你可以有多个自定义处理指令：
<text><?quote-start?>“She told me, <?quote-start?>‘Don't forget the bread.<?quote-end?>’<?quote-end?>”</text>
无论如何，XHTML defines its own <quote> element 来处理这个确切的案例。
(常规 HTML has a <q> element 语义相似，但它也告诉浏览器自动呈现引号，这意味着 HTML 文档使用 <q>不得包含其自身的引号。）
背景
在 XHTML 文档中将直引号转换为弯引号和撇号。给定一个带有直引号的文档（" 和 '），执行一些预处理以将直引号转换为它们的卷曲语义等价物（“、”、 ‘、’ 和 '）。通常，卷曲字符 ’ 用于结束单引号 (’) 和 撇号 (')，但这会丢失 semantic 的意思，我想通过使用实体来保留它——以便随后翻译成 TeX（例如，\quote{outer \quote{we’re inside quotes} outer}）。因此：
Markdown -> XHTML (straight) -> XHTML (curled) -> TeX
代码正在使用 Java 的内置文档对象模型 (DOM) 类.
问题
调用 Node 的 setTextContent 方法将对任何符号进行双重编码，结果为：
&ldquo;I reckon, I&apos;m &apos;bout dat.&rdquo;
&ldquo;Elizabeth Davenport;&rdquo; she said &lsquo;Elizabeth&rsquo; to be dignified, &ldquo;and really my father owns the place.&rdquo;
而不是：
“I reckon, I'm 'bout dat.”
“Elizabeth Davenport;” she said ‘Elizabeth’ to be dignified, “and really my father owns the place.”
通过设置处理指令禁用和启用似乎不起作用。
代码
这是 walk 一棵树的代码：
public static void walk(
final Document document, final String xpath,
final Consumer<Node> consumer ) {
assert document != null;
assert consumer != null;
try {
final var expr = lookupXPathExpression( xpath );
final var nodes = (NodeList) expr.evaluate( document, NODESET );
if( nodes != null ) {
for( int i = 0, len = nodes.getLength(); i < len; i++ ) {
consumer.accept( nodes.item( i ) );
}
}
} catch( final Exception ex ) {
clue( ex );
}
}
这是将引号替换为卷曲等效项的代码：
walk(
xhtml,
"//*[normalize-space( text() ) != '']",
node -> node.setTextContent( sConverter.apply( node.getTextContent() ) )
);
其中 xhtml 是 Document 和 sConverter 卷曲引号。
问题
你如何指示 DOM 接受 ' 和朋友而不重新编码符号？
相关
半相关问题：
- How to disable/avoid Ampersand-Escaping in Java-XML?
- XML DOM setTextContent
- Java XML Parsing: Avoid entity reference resolution
更改预处理以将直引号替换为 Unicode 字符，而不是无效的 XML 实体。这些实体由 HTML 定义，并且无效 XML.
“应该是“或\u201C如果写成 Java literal”应该是”或\u201D如果写成 Java literal‘应该是‘或\u2018如果写成 Java literal’应该是’或\u2019如果写成 Java literal'应该是'
XML 处理器可以自由地将字符和字符实体视为可互换的，因此尝试使用字符实体来表示语义注定是失败的。
我会改用标记。我怀疑自定义处理指令是“偷偷”添加语义的好方法：
<text>"She told me, 'Don't forget the bread.'"</text>
会变成：
<text><?q?>“She told me, <?q?>‘Don’t forget the bread.<?q?>’<?q?>”</text>
其中<?q?>处理指令是一个信号，表明后面的代码点作为引号具有语义意义。
当然，如果你愿意，你可以有多个自定义处理指令：
<text><?quote-start?>“She told me, <?quote-start?>‘Don't forget the bread.<?quote-end?>’<?quote-end?>”</text>
无论如何，XHTML defines its own <quote> element 来处理这个确切的案例。
(常规 HTML has a <q> element 语义相似，但它也告诉浏览器自动呈现引号，这意味着 HTML 文档使用 <q>不得包含其自身的引号。）