JEditorPaneHTMLEditorKitParserOctal八进制处理

wen java案例 2026-07-25 1

本文目录导读：

核心概念：HTML 字符引用中的进制
HTMLEditorKit.Parser 的实际行为
为什么有人会问“八进制处理”？
如果你确实需要支持自定义的“八进制” NCR

这是一个关于 Java Swing 中 JEditorPane、HTMLEditorKit 以及 HTML 解析器对八进制（Octal）编码处理的技术问题。

在标准的 HTMLEditorKit / Parser 中，对于数字字符引用（Numeric Character Reference），它通常只支持十进制（如 A）和十六进制（如 A），而不支持八进制（如 e，但注意 e 实际上是十进制 101，不是八进制 101 对应的十进制 65）。

我们需要先澄清一个重要的概念混淆,然后再说实现。

核心概念：HTML 字符引用中的进制

在 HTML 或 XML 中，数字字符引用（NCR）只有两种标准写法：

十进制：&#d; —— 其中的 d 是十进制数字。
十六进制：&#xh; 或 &#Xh; —— h 是十六进制数字。

HTML 标准从来就不支持八进制。

当你看到 e，解析器（包括 HTMLEditorKit.Parser）会按照十进制 101 来解释，它对应的是字符 e，而不是八进制 101（十进制 65，即 A）。

`HTMLEditorKit.Parser` 的实际行为

javax.swing.text.html.HTMLEditorKit.Parser 是一个抽象类，它依赖于具体的实现（通常是 javax.swing.text.html.parser.ParserDelegator）来解析 HTML。ParserDelegator 内部使用了一个 DocumentParser，它严格遵循 HTML 规范，仅处理十进制和以 0x 或 0X 开头的十六进制值。

测试示例（证明不支持八进制）：

import javax.swing.*;
import javax.swing.text.html.*;
import java.io.StringReader;
public class OctalTest {
    public static void main(String[] args) throws Exception {
        JEditorPane pane = new JEditorPane();
        pane.setEditorKit(new HTMLEditorKit());
        // 情况1：标准十进制 65 -> 'A'
        String htmlDec = "<html><body>&#65;</body></html>";
        pane.read(new StringReader(htmlDec), "text/html");
        SwingUtilities.invokeLater(() -> System.out.println("Decimal 65: " + pane.getText()));
        // 情况2：如果误以为 &#101; 是八进制（对应十进制65），实际解析为十进制101 -> 'e'
        String htmlMis = "<html><body>&#101;</body></html>";
        pane.read(new StringReader(htmlMis), "text/html");
        SwingUtilities.invokeLater(() -> System.out.println("Numeric 101: " + pane.getText()));
        // 情况3：官方不支持八进制，&#0101; 会被解析为什么？
        // 由于0开头，一些解析器可能将0101解释为十进制101（忽略前导零），或者报错。
        // Swing的实现会将其作为十进制101处理（前导零被忽略）
        String htmlLeadZero = "<html><body>&#0101;</body></html>";
        pane.read(new StringReader(htmlLeadZero), "text/html");
        SwingUtilities.invokeLater(() -> System.out.println("With leading zero 0101: " + pane.getText()));
    }
}

结果：

A → 显示 A
e → 显示 e （不是八进制处理后的 A）
e → 显示 e （前导零被忽略，当作十进制 101）

为什么有人会问“八进制处理”？

可能是因为在 其他语言或旧版解析器 中，有些（非标准）实现会将带有前导零的数字（如 e）当作八进制来处理。

在 C/C++ 中，0101 是八进制，等于十进制 65。
在 JavaScript 的旧版 String.fromCharCode() 中，'\101' 是八进制。

但在 Java 的 HTML 解析器 中,不会这样处理。

如果你确实需要支持自定义的“八进制” NCR

如果由于某些历史原因，你需要让 JEditorPane 支持将 e 等视为八进制，你必须重写解析逻辑,方法如下：

方案：自定义 `HTMLEditorKit` + `ViewFactory`

继承 HTMLEditorKit，重写 getViewFactory()，返回一个自定义的 ViewFactory。
自定义 HTMLDocument 或使用 HTMLReader 的回调处理自定义实体。
正则替换（简单但有限）：在将 HTML 字符串设置给 JEditorPane 之前，手动将 &#0[0-7]+; 匹配的内容转换为对应的十进制 Unicode。

// 示例：将 &#0xxx 视为八进制
String html = "&#0101;"; // 八进制101 -> 十进制65 -> 'A'
String processed = html.replaceAll("&#0([0-7]+);", match -> {
    String octalDigits = match.group(1);
    int charCode = Integer.parseInt(octalDigits, 8); // 八进制转十进制
    return "&#" + charCode + ";";
});
// processed = "&#65;"

然后将 processed 交给 pane.read(...) 或 pane.setText(processed)。

问法	实际含义	`HTMLEditorKit` 行为
`A`	十进制 65	正确解析为 `A`
`A`	十六进制 41	正确解析为 `A`
`e`	十进制 101	解析为 `e`（不是八进制）
`e`	带前导零的十进制	解析为 `e`（忽略前导零）
`&#O101;` / `&#o101;`	非标准八进制	❌ 不被识别，保留原样