偶爾會在資料中看到 ' 這樣的字串。它的特徵很好辨識:
&# 開頭,中間是一串數字,以 ; 結尾& 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。
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。
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。
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。
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
};
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"},
};
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 中,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。
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。