首先说明，这不是编码
在使用readability的api提取网页内容的时候点这里看-readability-网页内容提取利器，中文内容都是&#x开头的一堆乱码似的东西。但保存成网页文件后，浏览器是可以正常显示的~
故搜索了一下，知乎上有个回答挺好，在此转一下：
形如
&name;
&#dddd;
&#xhhhh;
的一串字符是 HTML、XML 等 SGML 类语言的转义序列（escape sequence）。它们不是「编码」。以 HTML 为例，这三种转义序列都称作 character reference：第一种是 character entity reference，后接预先定义的 entity 名称，而 entity 声明了自身指代的字符。
后两种是 numeric character reference（NCR），数字取值为目标字符的 Unicode code point；以「&#」开头的后接十进制数字，以「&#x」开头的后接十六进制数字。
从 HTML 4 开始，NCR 以 Unicode 为准，与文档编码无关。「中国」二字分别是 Unicode 字符 U+4E2D 和 U+56FD，十六进制表示的 code point 数值「4E2D」和「56FD」就是十进制的「20013」和「22269」。所以
我给加了空格，不然网页会自动渲染成文字...
&#x 4e2d;&#x 56fd;
&# 20013;&# 22269;
这两种 NCR 写法都会在显示时转换为「中国」二字。NCR 可以用于转义任何 Unicode 字符，而 character entity reference 很受限，参见 HTML 4 和 HTML5 中已有定义的字符列表：
Character entity references in HTML 4
Character entity references in HTML5
另外可以参考这篇文章 使用&#x 3000等空格实现最小成本中文对齐
知道了是什么，现在来看怎么把它转回成中文呢？
Python实现
要将16进制字符转成中文可以用如下方法
# Pythone3
b'\u4e2d\u6587'.decode('unicode-escape')
# Python2
'\u4e2d\u6587'.decode('unicode-escape')
故需要将&#xhhhh;做替换，再用上面的方式进行转换。对于特殊符号（如加减乘除），会显示为&#xhh，后面只有两位，在转换之前，需要提前补全。具体可参看readability-网页内容提取利器
Java实现
引用此处：http://xuelianbobo.iteye.com/blog/2155114
package com.xue.tools;
import java.io.BufferedWriter;
import java.io.FileWriter;
import java.io.IOException;
import java.net.MalformedURLException;
import java.net.URL;
import java.util.List;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
import org.dom4j.DocumentException;
import org.htmlcleaner.HtmlCleaner;
import org.htmlcleaner.TagNode;
import org.htmlcleaner.XPatherException;
public class Test {
public static void main(String[] args) throws IOException, DocumentException, XPatherException {
// 定义正则表达式来搜索中文字符的转义符号
Pattern compile = Pattern.compile("&#.*?;");
// 测试用中文字符
String sourceString = "C集团天c津大唐国际盘山发电有限责任公司";
Matcher matcher = compile.matcher(sourceString);
// 循环搜索 并转换 替换
while (matcher.find()) {
String group = matcher.group();
// 获得16进制的码
String hexcode = "0" + group.replaceAll("(&#|;)", "");
// 字符串形式的16进制码转成int并转成char 并替换到源串中
sourceString = sourceString.replaceAll(group, (char) Integer.decode(hexcode).intValue() + "");
}
System.out.println(sourceString);
}
}
补充：
后来想到，其实可以把这当成html来解析啊，然后就有了：
text = '&#x 4e2d'
lxml.html.fromstring(text).text
