＆ldquo; org.apache.commons.lang.StringEscapeUtils＆rdquo;的和“冲刺”

And as I have read "u0096" is cp1252 equivalent for "–".

我不这么认为。 Unicode中的0x0096是C1控制代码： http://en.wikipedia.org/wiki/C0_and_C1_control_codes 并且不太可能是“ - ”的替代品（正如你所写）。 好吧，如果StringEscapeUtils真的搞砸了这一点（确实应该是 u2013）并且如果它是唯一的逃脱它是搞乱的，如果没有理由在你的String中有任何其他0x0096，那么在调用StringEscapeUtils之后的replaceAll应该工作。 以下是您期望的替换：

System.out.println("Brokenu0096stuff".replaceAll("u0096", "u2013"));

但是，您应首先确保StringEscapeUtils真的搞砸了，并且真的，真的，理解为什么/如何在Java String中获得0x0096。 然后，也应该向你指出，遗憾的是Java的Unicode支持是一个主要的SNAFU，因为Java是在Unicode 3.1出现之前构思的。 因此，对于char原语使用16位似乎是一个明智的想法，使用4-hexdigits' uxxxx'转义序列似乎是一个明智的想法，在String的长度中表示char []的长度似乎是一个明智的想法。 （）方法等 这些实际上都是非常非常愚蠢的想法导致其中一个主要的Java SNAFU，其中char原语实际上不能再保存Unicode字符，并且String的长度方法实际上不返回String的实际长度。 我喜欢以下内容：

final char brokenCharCannotRepresentUnicode31Codepoints = 'uFFFF'; // How do I store a Unicode 3.1 codepoint here!?

为什么这个咆哮？好吧，因为我不知道String的replaceAll中的regexp替换是如何实现的，但是如果有某些情况（即某些代码点），其中String的replaceAll就像char一样长度并且像 uxxxx一样，我真的不会感到惊讶嗯，完全坏了。     

我怀疑问题不在

StringEscapeUtils.unescapeHtml(...)

电话中。 相反，我怀疑这个角色在通话前已经变成了

'u0096'

。更具体地说，我怀疑在将HTML作为字符读取时，您的代码使用了错误的字符集。 正如你所说，en-dash是cp1252中的代码点

0x96

。因此，将un-dashed错误翻译成unicode代码点

u0096

的一种方法是从使用cp1252编码的字节流开始，并使用

InputStreamReader(is, "Latin-1")

对其进行读取/解码。