WEB前端

当前位置:首页 > 技术世界 > WEB前端

中文乱码?不,是 HTML 实体编码!

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() + '<br/><br/>';});// 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(<)和大于号(>),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:&lt;&#60;。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= {"<": "&lt;", ">": "&gt;","&": "&amp;", """: "&quot;"};                          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。

或者我们关闭 cheerio 中的 .html() 方法 转换实体编码的功能(2016-01-25 add):

var $ = cheerio.load(sres.text, {decodeEntities: false});$('.titlelnk').each(function (index, item) {  var $item = $(item);  console.log($item.html());});

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 = $("<div></div>");     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:

&#x524D;&#x7AEF;&#x5907;&#x5FD8;&#x5F55; &#x2014; IE &#x7684;&#x6761;&#x4EF6;&#x6CE8;&#x91CA;

中文的编码结果开头都是 &#x。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 &#xA0,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 &#xXXX 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 "前" 为例,它的十进制 unicode 码为 21069,完全可以用 &#21069; 来代替 &#x524d;

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 "&#x" 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!

Read More:

  • html 实体编码问题
  • HTML字符实体(Character Entities),转义字符串(Escape Sequence)

转载说明:欢迎转载本站所有文章,如需转载请注明来源于《绝客部落》。

本文链接:https://juehackr.net/qianduan/107.html

相关内容

文章评论

表情

共 0 条评论
  • 这篇文章还没有收到评论,赶紧来抢沙发吧~