J'utilise java library Tidy pour nettoyer le code html. Une partie du code contient des liens avec des lettres russes. Par exempleTidy rompt les liens avec les caractères non latins
<a href="http://example.com/Русский">link with Russian letters</a>
Je comprends que « Русский » doit être échappé, mais je reçois ce code HTML des utilisateurs. Et mon travail consiste à le convertir en XHTML.
Je pense bien rangé tente d'échapper à lettres non-latin, mais en conséquence je reçois
<a href="http://example.com/%420%443%441%441%43A%438%439">link with Russian letters</a>
Ce n'est pas corect. version correcte est
<a href="http://example.com/%D0%A0%D1%83%D1%81%D1%81%D0%BA%D0%B8%D0%B9">link with Russian letters</a>
code Java est
private static Tidy getTidy() {
if (null == tidy) {
tidy = new Tidy();
tidy.setQuiet(true);
tidy.setShowErrors(0);
tidy.setShowWarnings(false);
tidy.setXHTML(true);
tidy.setOutputEncoding("UTF-8");
}
return tidy;
}
public static String sanitizeHtml(String html, URI pageUri) {
boolean escapeMedia = false;
String ret = "";
try {
Document doc = getTidy().parseDOM(new StringReader("<body>" + html + "</body>"), null);
// here I make some processing
// string output
ByteArrayOutputStream out = new ByteArrayOutputStream();
Node node = doc.getElementsByTagName("body").item(0);
getTidy().pprint(node, out);
ret = out.toString().trim();
}
catch (Exception e) {
ret = html;
e.printStackTrace();
}
return ret;
}
Merci. Je vais demander à mon ami, qui sait java, de corriger ce bug correctement et de l'envoyer à l'équipe de Tidy. – Alexei