Rumah >hujung hadapan web >html tutorial >中文乱码?不,是 HTML 实体编码!_html/css_WEB-ITnose
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!
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
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 = $("<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);
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   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!