ということで、大体こんな感じ(文字実体参照)

Archtea

文字実体参照は、いちいち手入力してたら、日が暮れそうだったので、スクリプトでコードの断片を作成することにした。Webサイトから、文字実体参照の個所を抜き出す。次のような内容が並ぶ感じ。

  <!ENTITY nbsp   CDATA "&#160;" -- no-break space = non-breaking space,
                                  U+00A0 ISOnum -->
  <!ENTITY iexcl  CDATA "&#161;" -- inverted exclamation mark, U+00A1 ISOnum -->

  ...(省略) ...

(行の前半は)規則正しく並んでいるので、awk で切り出しちゃえばいい。

  grep ENTITY entities.txt | awk '{print "m_entitiesMap.put( \"" $2 "\", " $4 ");"}' \
   | sed -e 's|"&#|new Character\(\(char\)|' | sed -e 's|;"|\)|'

  m_entitiesMap.put( "nbsp", new Character((char)160));
  m_entitiesMap.put( "iexcl", new Character((char)161));

  ...(省略)...

あとは、適当にクラスの初期化部分などで利用すればいい。( &nbsp; は、32 に置き換えるように変更...。) あとは、正規表現で切り出された文字列によって、変更すればいい。

  private static final Map m_entitiesMap = new HashMap();
	
  static {
    m_entitiesMap.put( "nbsp", new Character((char)32)); // replace from 160 to 32
    m_entitiesMap.put( "iexcl", new Character((char)161));
    ...(省略)...
  }

    private String unescapeHtmlText(String src) {

        StringBuffer buff = new StringBuffer();
        Matcher matcher = UNESCAPE_HTML_PATTERN.matcher(src);
        int prevPos = 0;
        while (matcher.find(prevPos)) {
            buff.append(src.substring(prevPos, matcher.start()));
            String matchedText = matcher.group(1);

            int charNum;
            Object charObj = m_entitiesMap.get(matchedText);
            if (charObj != null) {
                // some entity.
                buff.append(((Character)charObj).charValue());
            } else if ('#' == matchedText.charAt(0)) {
                int radix = 10;
                int charStartIndex = 1;
                if (matchedText.length() > 1 &&
                        ('x' == matchedText.charAt(1) ||
                                'X' == matchedText.charAt(1))) {
                    radix = 16;
                    charStartIndex = 2;
                }

                try {
                    charNum = Integer.parseInt(
                        matchedText.substring(charStartIndex), radix);
                    buff.append((char)charNum);
                } catch (NumberFormatException e) {
                    buff.append(matcher.group());
                }
            } else {
        	    buff.append(matcher.group());
            }
            prevPos = matcher.end();
        }
        if (prevPos < src.length())
            buff.append(src.substring(prevPos));
        
        return new String(buff);
    }

他にもやり方有ると思うけど、とりあえず、前の場合のテストはパス。
まぁ、多分、問題ないでしょう。。。