中文乱码？不，是 HTML 实体编码！(转)

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！

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（<）和大于号（>），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= {"<": "&lt;", ">": "&gt;","&": "&amp;", """: "&quot;"};
    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

Solution

---

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);

Encode & Decode

---

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 &#x。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 &nbsp 自动编码成 &#xA0，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 &#xXXX 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 &#x524d。

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 "&#x" 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！

Read More:

• html 实体编码问题
• HTML字符实体（Character Entities），转义字符串（Escape Sequence）

http://www.cnblogs.com/zichi/p/5135636.html