Javaで文字実体参照と数値文字参照をデコード(?)する

先日、数値文字参照のデコードを書いたが、文字実体参照も同時に処理する様にしてみる。
2009-12-09追記　以下のコードはバグがあります。

package org.java_kuche.tmr;

import java.util.Collections;
import java.util.HashMap;
import java.util.Map;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class CharRefDecode {

  private static final String RE_NCR = "&#(?:(([x])([0-9a-f]+))|(([0-9]+)));";

  private static Map<String,String> CHARACTER_ENTITY_REFERENCES = characterEntityReferences();

  private static final Pattern CHARACTER_REFERENCE = compile(CHARACTER_ENTITY_REFERENCES);

  private static Map<String,String> characterEntityReferences() {
    Map<String,String> map = new HashMap<String, String>();
    map.put("&amp;", "&");
    map.put("&lt;", "<");
    map.put("&gt;", ">");
    map.put("&quot;", "\"");
    map.put("&apos;", "'");
    map.put("&nbsp;", " ");
    return Collections.unmodifiableMap(map);
  }

  private static Pattern compile(final Map<String,String> cer) {
    final StringBuilder sb = new StringBuilder();
    String d = "(?:(";
    for(final Map.Entry<String, String> e : cer.entrySet()) {
      sb.append(d).append(e.getKey());
      // at end of loop
      d = "|";
    }
    sb.append(")");
    sb.append("|(?:").append(RE_NCR).append("))");
    return Pattern.compile(sb.toString(), Pattern.CASE_INSENSITIVE);
  }

  private static String[] group(final Matcher matcher) {
    final String[] rtn = new String[6];
    for (int i = 0; i < rtn.length; i++) {
      rtn[i] = matcher.group(i);
    }
    return rtn;
  }

  public static String decode(final String input) {
    if (null == input || 0 == input.length()) {
      return input;
    }
    final StringBuffer sb = new StringBuffer();
    final Matcher matcher = CHARACTER_REFERENCE.matcher(input);
    while (matcher.find()) {
      final String[] g = group(matcher);
      if (null != g[1]) {
        // 文字実体参照
        matcher.appendReplacement(sb, CHARACTER_ENTITY_REFERENCES.get(g[1]));
        continue;
      }

      final int parse;
      if (null != g[4]) {
        // 数値文字参照(16進数)
        parse = Integer.parseInt(g[4], 16);
      } else {
        // 数値文字参照(10進数)
        parse = Integer.parseInt(g[5], 10);
      }
      final char c;
      if ( 0 != (0xffff & parse)) {
        c = (char) parse;
      } else {
        c = '?';
      }
      matcher.appendReplacement(sb, Character.toString(c));
    }
    matcher.appendTail(sb);
    return sb.toString();
  }
}

2009-12-09追記　上のコードにバグがあります。

動作確認のmainは以下。

  public static void main(String[] args) {
    String input = "abc " def : xyz & 33";
    System.out.println(decode(input));
    // 「オープンソースソフトウェア」という文字列を数値文字参照で10進法記述.
    String testNCRString10 = "オープンソ" +
        "ースソフトウェア";
    System.out.println(decode(testNCRString10));
    // 「あいうえお」という文字列を数値文字参照で16進法記述.
    String testNCRString16 = "あいうえお";
    System.out.println(decode(testNCRString16));
  }