欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  web前端

中文乱码?不,是 HTML 实体编码!_html/css_WEB-ITnose

程序员文章站 2023-12-22 18:12:46
...

When question comes

在 如何用 Nodejs 分析一个简单页面 一文中,我们爬取了博客园首页的 20 篇文章标题,输出部分拼接了一个字符串:

var $ = cheerio.load(sres.text);var ans = '';$('.titlelnk').each(function (index, item) {  var $item = $(item);  ans += $item.html() + '

';});// 将内容呈现到页面res.send(ans);

页面呈现良好:

但是查看网页源代码,却看到这样的情景:

什么鬼?我们让问题再清晰些,试着把爬虫代码稍做修改:

var $ = cheerio.load(sres.text);var ans = [];$('.titlelnk').each(function (index, item) {  var $item = $(item);  ans.push($item.html());});// 将内容呈现到页面res.send(ans);

这输出的是什么玩意儿?

乱码?不,是 HTML 实体编码!

HTML 实体编码

在 HTML 中,某些字符是预留的, 比如不能使用小于号(),这是因为浏览器会误认为它们是标签 。如果希望正确地显示预留字符,我们必须在 HTML 源代码中使用字符实体(character entities)。当然还另一个重要原因,有些字符在 ASCII 字符集中没有定义,因此需要使用字符实体来表示,比如中文。

字符实体类似这样:

&entity_name;或者entity_number;

如需显示小于号,我们必须这样写: < 或 < 。前者(实体名)易于记忆,而后者(实体数字)在浏览器中的支持较好。

HTML 中常见的需要替换成字符实体的字符有 4 个,分别是 、 & 以及 " 。为此,我们可以简单写个 escapeHTML 函数(使得网页上可以正确显示这 4 个字符,而不会被误认为是标签):

function escapeHTML(text) {      var replacements= {"": ">","&": "&", """: """};                          return text.replace(/[&"]/g, function(character) {          return replacements[character];      }); }

更多关于 HTML 实体编码的内容可以参考 HTML 字符实体

Solution

不仅是 "" 这样的能编码, 所有字符均能编码 ,这也是出现 "乱码" 的原因。在文章开头的例子中,其实它把该 target 标签内的所有东西(包括中文)都给编码了。

而最开始的代码(字符串输出)之所以没有 "乱码",完全是因为浏览器自动帮你解码了。(如果存在于 HTML 代码中,会被自动解码)

知道了原因,我们可以从两个方向解决问题。

首先, 我们可以不对其内容进行编码 。用 text() 方法取代 html() 方法:

$('.titlelnk').each(function (index, item) {  var $item = $(item);  ans.push($item.text());});

很简单并且完美地解决了这个问题。

如果说不能从编码的角度解决,我们可以试着解码。

方法一:

创建空标签,将编码内容用 html() 方法塞入,用 text() 取出,转换过程让第三方完成(当然前提是获取了 $ 对象):

  function htmlDecode(str) {     var t = $("");     t.html(str);     return t.text();  }  var $ = cheerio.load(sres.text);  var ans = [];  $('.titlelnk').each(function (index, item) {    var $item = $(item);    ans.push(htmlDecode($item.html()));  });  // 将内容呈现到页面  res.send(ans);

方法二:

根据编码转换规则,用正则 decode:

function htmlDecode(str) {   // 一般可以先转换为标准 unicode 格式(有需要就添加:当返回的数据呈现太多\\\u 之类的时)  str = unescape(str.replace(/\\u/g, "%u"));  // 再对实体符进行转义  // 有 x 则表示是16进制,$1 就是匹配是否有 x,$2 就是匹配出的第二个括号捕获到的内容,将 $2 以对应进制表示转换  str = str.replace(/(x)?(\w+);/g, function($, $1, $2) {    return String.fromCharCode(parseInt($2, $1? 16: 10));  });  return str;}var $ = cheerio.load(sres.text);var ans = [];$('.titlelnk').each(function (index, item) {  var $item = $(item);  ans.push(htmlDecode($item.html()));});// 将内容呈现到页面res.send(ans);

Encode & Decode

事情到此似乎可以告一段落,我们找到了问题的原因,也找到了解决办法。但是,HTML 实体编码,它到底是如何编码的?

我们任意取一条标题:

前端备忘录 — IE 的条件注释

编码后为:

前端备忘录 — IE 的条件注释

中文的编码结果开头都是 。试着用 charCodeAt() 取得 "前" 字的 unicode 编码大小,然后将它转成 16 进制,正是 524d !看来和 escape() 相似,又是一次十六进制的转换。

但是英文却没有被转,这点和 escape() 也神似。唯一不同的是 escape 会将空格转为 %20 ,而 HTML 编码并没有。

而且 HTML 编码甚至会将 &nbsp 自动编码成   ,这也就意味着如果要手写个 HTML 编码函数,需要将所有字符实体的映射都找出来,而且对于 &XXXX 形式的,似乎还要作个校验(确认是实体集还是普通的字符串)。

而 HTML 解码则相对来说简单写,只需将 XXX 进行转换,详细代码可以参考 Solution 一节的正则。

事实上,HTML 编码并不一定要转成十六进制,十进制也可以。还是以 "我" 为例,它的十进制 unicode 码为 25105,完全可以用 我 来代替 前 。

最后还有两个客户端的编码、解码函数:

function HtmlEncode(str) {     var t = document.createElement("div");     t.textContent ? t.textContent = str : t.innerText = str;     return t.innerHTML; }function HtmlDecode(str) {     var t = document.createElement("div");     t.innerHTML = str;     return t.textContent || t.innerText;}

真的是吃一堑长一智,以后碰到 "" 开头的一些编码,十有八九是 HTML 的实体编码,再也不用担心了!

上一篇:

下一篇: