提问人：Dave Jarvis 提问时间：6/29/2021 最后编辑：Dave Jarvis 更新时间：6/29/2021 访问量：229
使用 Node 的 setTextContent 方法防止对 & 符号进行重新编码
Prevent re-encoding ampersands using Node's setTextContent method
问：
背景
在 XHTML 文档中将直引号转换为卷曲的引号和撇号。给定一个带有直引号 （ 和 ） 的文档，将执行一些预处理以将直引号转换为其卷曲的语义等价物 （、 、 、 和 ）。通常，卷曲字符用于结束单引号 （） 和撇号 （），但这会失去语义意义，我想通过使用实体来保留语义---以便后续转换为 TeX（例如，）。因此："'“”‘’'’’'\quote{outer \quote{we’re inside quotes} outer}
Markdown -> XHTML (straight) -> XHTML (curled) -> TeX
该代码使用 Java 的内置文档对象模型 （DOM） 类。
问题
调用 setTextContent 方法将对任何 & 符号进行双重编码，结果为：Node
“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.”
通过设置处理指令来禁用和启用似乎不起作用。
法典
下面是树的代码：walk
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 );
}
}
下面是将引号替换为卷曲等价物的代码：
walk(
xhtml,
"//*[normalize-space( text() ) != '']",
node -> node.setTextContent( sConverter.apply( node.getTextContent() ) )
);
和卷曲引号在哪里。xhtmlDocumentsConverter
问题
您将如何指示 DOM 在不重新编码 & 符号的情况下接受和朋友？'
相关
半相关问题：
答：
1赞
Andreas
6/29/2021
#1
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，并且不是有效的 XML。
“应该是 或者 如果写成 Java 文字“\u201C”应该是 或者 如果写成 Java 文字”\u201D‘应该是 或者 如果写成 Java 文字‘\u2018’应该是 或者 如果写成 Java 文字’\u2019'应该是'
评论
0赞
VGR
6/29/2021
这也是我的第一个想法，但我相信他想给;意思是，有时它代表嵌套引号的开头，有时它只是一个撇号。\u2019
0赞
VGR
6/29/2021
我的意思是，表示嵌套引号的结尾。
1赞
Dave Jarvis
6/29/2021
U+2019 是撇号的首选。“U+2019 右单引号是首选，其中字符表示标点符号，如”我们以前来过这里”。在后一种情况下，U+2019 也被称为标点符号撇号。（不过，通过定义两个单独的字符，可以改进标准。
1赞
Dave Jarvis
6/30/2021
我放弃了试图梳理直通，也放弃了让 TeX 将角色包裹起来的想法。它真的很糟糕，用于卷曲的结束引号和卷曲的撇号。'\quote{...}\u2019
1赞
VGR
6/30/2021
@DaveJarvis同意。从概念上讲，它们是不同的字符，具有非常不同的含义。通常Unicode对这种差异很有好处......
1赞
VGR
6/29/2021
#2
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指示语义含义注定要失败。
我会改用标记。我怀疑自定义处理指令是“偷偷”添加语义含义的好方法：
<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，处理指令是以下代码点具有语义含义的信号，作为引号。<?q?>
当然，如果需要，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>
值得一提的是，XHTML定义了自己的<quote>元素来处理这种确切的情况。
（常规 HTML 有一个 <q> 元素，它在语义上相似，但它也告诉浏览器自动呈现引号，这意味着使用 HTML 的文档不得包含自己的引号。<q>
评论
0赞
Dave Jarvis
6/30/2021
不幸的是，这将在 TeX 方面付出更多的努力，因为 TeX 方面已经开发用于解析实体。不过，这是个好主意。
评论