一个文字都用实体编码的奇葩网站

看到一个奇葩的网站，页面上的文字都是使用html实体编码了的（很久之前看的，现在改版了，只有固定部分是html实体编码了）：

view-source:http://www.gzthfy.gov.cn/pa2/wel_bgt2.seam?zxbh=20140110180053&cid=9057

解码如下：

package cc11001100.misc.crawler.misc.tianhefayuan;

/**
 * 这个网站，全站都是这种见鬼的编码
 * <p>
 * http://www.gzthfy.gov.cn
 * <p>
 * 参考资料：
 * 1. https://www.jianshu.com/p/6dcefb2a59b2
 * <p>
 * 可以直接当做html来解析，但还是自己写一个解析
 * <p>
 * 使用Apache Commons工具包下的工具类就可以直接解码
 * StringEscapeUtils.unescapeHtml4
 *
 * @author CC11001100
 */
public class TianhefayuanCrawler {

	private static String convertToReadable(String rawContent) {
		// 直接调库实现
//        return StringEscapeUtils.unescapeHtml4(rawContent);

		// 不能满足于做一个碉堡侠，还是自己实现一下
		StringBuilder sb = new StringBuilder();
		boolean isInHtmlEncode = false;
		int lastHtmlEncodeBeginIndex = -1;
		for (int i = 0; i < rawContent.length(); i++) {
			if (isInHtmlEncode) {
				if (rawContent.charAt(i) != ';') {
					// 仍然在实体编码中，直接略过下一个
					continue;
				} else {
					// 一个实体编码已经结束了，解析出它
					isInHtmlEncode = false;
					// 略过html实体前面的"&#"部分
					String encodeNumStr = rawContent.substring(lastHtmlEncodeBeginIndex + 2, i);
					int radix = 10;
					if (encodeNumStr.charAt(0) == 'x' || encodeNumStr.charAt(0) == 'X') {
						radix = 16;
						encodeNumStr = encodeNumStr.substring(1);
					} else if (encodeNumStr.startsWith("0")) {
						radix = 8;
						encodeNumStr = encodeNumStr.substring(1);
					}
					sb.append((char) Integer.parseInt(encodeNumStr, radix));
				}
			} else if (nextIsHtmlEncode(rawContent, i)) {
				isInHtmlEncode = true;
				lastHtmlEncodeBeginIndex = i;
			} else {
				sb.append(rawContent.charAt(i));
			}
		}
		return sb.toString();
	}

	private static boolean nextIsHtmlEncode(String s, int index) {
		return s.length() > index + 1 && (s.charAt(index) == '&' && s.charAt(index + 1) == '#');
	}

	public static void main(String[] args) {
		String rawContent = "广州市天河区人民法院";
		System.out.println(convertToReadable(rawContent)); // 广州市天河区人民法院
	}

}

请注意爬虫文章具有时效性，本文写于2019年7月份，于整理存稿时发布。