DIV CSS 佈局教程網

您现在的位置: DIV+CSS佈局教程網 >> 網頁腳本 >  >> HTML基礎知識 >> HTML和Xhtml
HTML 轉義字元怎麼還原?從 &# 開頭的那串數字說起
編輯:HTML和Xhtml     

偶爾會在資料中看到 ' 這樣的字串。它的特徵很好辨識:

  • 以 &# 開頭,中間是一串數字,以 ; 結尾
  • 以 & 開頭,中間是一串英文字,以 ; 結尾

最常見的例子就是  ,以及它等價的  。

瀏覽器怎麼處理,程式碼又該怎麼處理

瀏覽器遇到這些轉義字元會自動還原顯示,但你想在程式碼裡判斷並轉回真正的字元,就得自己動手。Apache Commons Lang 的 StringEscapeUtils.unescapeHtml 提供了很好的參考實作。

兩種情況,兩種處理

第一種:中間是數字。直接把這個數字當成 Unicode 碼位轉成 char 即可。

第二種:中間是英文字。沒有捷径,只能查對照表——從映射表中找到該名稱對應的數字,再轉成 char。

HTML 4.0 是怎麼定義的

static {
  HTML40 = new Entities();
  fillWithHtml40Entities(HTML40);
}

static void fillWithHtml40Entities(Entities entities) {
  entities.addEntities(BASIC_ARRAY);
  entities.addEntities(ISO8859_1_ARRAY);
  entities.addEntities(HTML40_ARRAY);
}

對照表被拆成三組,由小到大逐層擴充。

第一組:BASIC_ARRAY(基本四個)

private static final String[][] BASIC_ARRAY = {
  {"quot", "34"},  // " - double-quote
  {"amp",  "38"},  // & - ampersand
  {"lt",   "60"},  // < - less-than
  {"gt",   "62"},  // > - greater-than
};

這四個是 HTML 中必須轉義的字元,因為它們在標記語言裡有語意。

第二組:ISO8859_1_ARRAY(拉丁字母與常用符號)

static final String[][] ISO8859_1_ARRAY = {
  {"nbsp",   "160"},  // non-breaking space
  {"iexcl", "161"},  // inverted exclamation mark
  {"cent",  "162"},  // cent sign
  {"pound", "163"},  // pound sign
  {"copy",  "169"},  // copyright sign
  {"reg",   "174"},  // registered trademark sign
  {"deg",   "176"},  // degree sign
  {"plusmn","177"},  // plus-minus sign
  {"frac12","189"},  // vulgar fraction one half
  {"Agrave","192"},  // uppercase A, grave accent
  {"auml",  "228"},  // lowercase a, umlaut
  {"ccedil","231"},  // lowercase c, cedilla
  {"ntilde","241"},  // lowercase n, tilde
  {"ouml",  "246"},  // lowercase o, umlaut
  {"szlig", "223"},  // lowercase sharps, German
  {"yuml",  "255"},  // lowercase y, umlaut
  // …其餘各語言的字母與符號依序排列,共 96 項
};

第三組:HTML40_ARRAY(希臘字母、數學符號、箭頭等)

static final String[][] HTML40_ARRAY = {
  // Latin Extended-B
  {"fnof",  "402"},   // latin small f with hook = florin

  // Greek 大寫
  {"Alpha", "913"},   {"Beta",  "914"},   {"Gamma", "915"},
  {"Delta", "916"},   {"Epsilon","917"},  {"Zeta",  "918"},
  {"Omega", "937"},
  // Greek 小寫
  {"alpha", "945"},   {"beta",  "946"},   {"gamma", "947"},
  {"omega", "969"},

  // General Punctuation
  {"bull",  "8226"},  // bullet = black small circle
  {"hellip","8230"},  // horizontal ellipsis
  {"prime", "8242"},  // prime = minutes = feet
  {"Prime", "8243"},  // double prime = seconds = inches
  {"mdash", "8212"},  // em dash
  {"ndash", "8211"},  // en dash
  {"lsquo", "8216"},  // left single quotation mark
  {"rsquo", "8217"},  // right single quotation mark
  {"ldquo", "8220"},  // left double quotation mark
  {"rdquo", "8221"},  // right double quotation mark

  // Arrows
  {"larr",  "8592"},  // leftwards arrow
  {"uarr",  "8593"},  // upwards arrow
  {"rarr",  "8594"},  // rightwards arrow
  {"darr",  "8595"},  // downwards arrow
  {"harr",  "8596"},  // left right arrow

  // Mathematical Operators
  {"forall","8704"},  {"part",  "8706"},  {"exist", "8707"},
  {"empty", "8709"},  {"nabla", "8711"},  {"isin",  "8712"},
  {"notin", "8713"},  {"ni",    "8715"},  {"prod",  "8719"},
  {"sum",   "8721"},  {"minus", "8722"},  {"radic", "8730"},
  {"infin", "8734"},  {"and",   "8743"},  {"or",    "8744"},
  {"cap",   "8745"},  {"cup",   "8746"},  {"int",   "8747"},
  {"ne",    "8800"},  {"equiv", "8801"},  {"le",    "8804"},
  {"ge",    "8805"},  {"sub",   "8834"},  {"sup",   "8835"},

  // Miscellaneous Symbols
  {"spades","9824"},  {"clubs", "9827"},  {"hearts","9829"},
  {"diams", "9830"},  {"loz",   "9674"},

  // 貨幣
  {"euro",  "8364"},
};

延伸:轉義字元其實可以隨意構造

從前面的規則不難看出,中間那串數字就是 Unicode 碼位。既然如此,這種寫法並不限於官方定義的清單——「中」字的碼位是 20013,那麼你完全可以構造出 &#20013;,瀏覽器渲染後一樣會顯示「中」。

為了顯示一個字繞這麼一大圈當然沒必要,但在某些不適合直接傳輸特殊字元的場景(例如 URL 參數、/XML 節點、或需要避開特定過濾規則時),這招偶爾能派上用場。

實務上的建議

不要自己維護這張表。成熟的語言與框架都已經內建處理:

Java   : StringEscapeUtils.unescapeHtml4(s)
JavaScript: 用 DOMParser 或 textarea 解碼
  const t = document.createElement('textarea');
  t.innerHTML = s;
  return t.value;
Python : html.unescape(s)
PHP    : htmlspecialchars_decode(s, ENT_QUOTES)

反方向的轉義也同樣重要:把使用者輸入寫進 HTML 之前,務必轉義 &、<、>、"、' 這五個字元,這是防禦 XSS 最基本也最有效的一道防線。切記要在輸出時轉義,而不是在寫入資料庫時轉義——否則你存進去的資料已經是「壞的」,日後要用於 JSON、CSV、email 等其他格式時都會出問題。

XML學習教程| jQuery入門知識| AJAX入門| Dreamweaver教程| Fireworks入門知識| SEO技巧| SEO優化集錦|
Copyright © DIV+CSS佈局教程網 All Rights Reserved