C++如何去掉字符串中的所有特定HTML实体-C++-PHP中文网

c++oding="utf-8" ?>

std::regex_replace 可用于替换常见 html 实体，但需注意 gcc libstdc++ 旧版本对 unicode 支持弱，clang libc++ 更可靠；仅处理 &、、"、' 等 ascii 实体较稳妥。

c++如何去掉字符串中的所有特定html实体

用 `std::regex_replace` 处理常见 HTML 实体（如 &、）

标准库的 std::regex_replace 是最直接的选择，但要注意 C++11 起 regex 实现质量参差不齐——GCC libstdc++ 在较老版本（如 GCC 4.9）中对 Unicode 和多字节实体支持弱，Clang libc++ 更可靠。只处理 ASCII 范围内的基础实体（&、、<code>>、"、'）基本没问题。

示例：把 & 替换为 &， 替换为 <code>

std::string s = "a & b

多个实体要分步替换，且优先处理长实体（比如先再 &），避免 & 提前被干掉导致解析失败
正则中 & 本身不是特殊字符，但 ; 是字面量，无需转义；不过 ... 或 { 这类数字实体需单独匹配
性能敏感场景慎用：每次 std::regex_replace 构造 regex 对象开销不小，可提前编译 std::regex 对象复用

手动遍历解析更可控，适合嵌套或非法 HTML 实体

正则在遇到 &unknown;xxx、񺄠（超出 char 范围）、&（双重编码）时容易漏判或崩溃。手动扫描能逐字符判断边界、跳过无效序列，并支持递归解码（比如先解 & 成 &，再解成 &）。

Doc To HTML

使用 MinerU 文档处理引擎将 Word 文档（.doc、.docx）转换为保留结构和格式的干净 HTML。

下载

核心逻辑：找 &，向后扫描直到 ;，中间内容匹配预定义表或解析数字

std::string unescape_html(const std::string& s) {
    std::string out;
    size_t i = 0;
    while (i '; }
            else if (entity == "quot") { out += '"'; }
            else if (entity == "apos") { out += '\''; }
            else if (entity.size() > 2 && entity[0] == '#' && entity[1] == 'x') {
                // ÿ 十六进制
                char c = static_cast<char>(std::stoi(entity.substr(2), nullptr, 16));
                out += c;
            } else if (entity.size() > 1 && entity[0] == '#') {
                // A 十进制
                char c = static_cast<char>(std::stoi(entity.substr(1)));
                out += c;
            } else {
                // 无法识别的实体，原样保留（如 &unknown;）
                out += s.substr(i, end - i + 1);
            }
            i = end + 1;
        } else {
            out += s[i++];
        }
    }
    return out;
}
</char></char>