C++如何将HTML实体字符串解码-C++-PHP中文网

html实体是浏览器解析时才还原的编码，如&、

c++如何将html实体字符串解码

什么是HTML实体，为什么不能直接用`std::string`替换

HTML实体（如 &、、<code>"、>）不是普通字符，而是浏览器解析时才还原的编码。C++标准库不提供内置解码函数，硬写字符串替换容易漏掉命名实体（如）、十进制/十六进制数字实体（、），或误替换嵌套内容（比如 & 应解为 &，而非两次替换成 &）。

手动解码需覆盖三类实体：命名、十进制、十六进制

解码逻辑必须按优先级顺序处理：先处理数字实体（避免被命名实体规则干扰），再处理命名实体。否则 可能被误当作 <code>& + #60; 处理。

→ <code>（十进制，<code> 开头，分号结尾）
→ <code>（十六进制，<code> 开头，不区分大小写，分号结尾）
→ <code>（命名，查表匹配，注意 <code>& 必须最后处理，否则会破坏其他实体）

示例片段：

使用HTML,CSS,JavaScript开发Android应用程序英文文字pdf版附源文件

如果你了解HTML，CSS和JavaScript，您已经拥有所需的工具开发Android应用程序。本动手本书展示了如何使用这些开源web标准设计和建造，可适应任何Android设备的应用程序 - 无需使用Java。您将学习如何创建一个在您选择的平台的Android友好的网络应用程序，然后转换与自由PhoneGap框架到一个原生的Android应用程序。了解为什么设备无关的移动应用是未来的潮流，并开始构建应用程序，提供更

下载

std::string html_decode(const std::string& s) {
    std::string out;
    size_t i = 0;
    while (i = 0 && code (code);
                        else if (code (0xC0 | (code >> 6));
                            out += static_cast<char>(0x80 | (code & 0x3F));
                        } else {
                            out += static_cast<char>(0xE0 | (code >> 12));
                            out += static_cast<char>(0x80 | ((code >> 6) & 0x3F));
                            out += static_cast<char>(0x80 | (code & 0x3F));
                        }
                        i = end + 1;
                        continue;
                    }
                } else {
                    // 命名实体，查表（简化版只列常见几个）
                    static const std::unordered_map<:string char> named = {
                        {"lt", ''}, {"amp", '&'}, {"quot", '"'}, {"apos", '\''}
                    };
                    auto it = named.find(ent);
                    if (it != named.end()) {
                        out += it->second;
                        i = end + 1;
                        continue;
                    }
                }
            }
        }
        out += s[i++];
    }
    return out;
}</:string></char></char></char></char>

用第三方库（如 `htmlcxx` 或 `Boost.StringAlgo`）反而更麻烦

htmlcxx 主要用于 HTML 解析，不提供轻量解码接口；Boost.StringAlgo 没有实体解码功能。真正可用的是 libxml2 的 htmlEntityLookup + 手动解析，但引入整个 XML 库只为解码太重。更现实的选择是：若项目已用 fmt 或 abseil，可自行补一个精简查表+数字解析函数；若只是偶尔解码，直接抄上面那段并补充所需命名实体（如 nbspc、copy）更可控。

边界情况和易错点

实际使用中最常踩坑的不是逻辑，而是细节：

未处理 & → 必须确保 & 是最后一个解码的命名实体，否则 < 会先被替成 ，再被当成新实体二次解析
十六进制实体忽略大小写：和都合法，std::stoi(..., nullptr, 16) 能自动处理
分号缺失时不应解码：&lt 不是有效实体，应原样保留
UTF-8 输出需兼容非 ASCII 字符：上面示例只处理 BMP（U+0000–U+FFFF），若输入含 emoji（如 😂 → U+1F602），需支持四字节 UTF-8 编码