Question

我正在编写一个方法来解析HTML字符串，查询并获取一些节点，然后输出这些节点的HTML。

我正在使用 libxml ，并设法加载和解析输入HTML，并输出我想要的节点的HTML字符串，除了我想要保留任何HTML实体，以及libxml似乎将这些转换为相关的UTF-8字符。

这是我到目前为止所做的（代码是Objective-C项目的一部分）：

NSString *HTMLString = ...
NSData *documentData = [HTMLString dataUsingEncoding:NSUTF8StringEncoding];

//Create the document
xmlDocPtr doc = htmlReadMemory([documentData bytes],
                               [documentData length],
                               "",
                               NULL,
                               HTML_PARSE_NOWARNING | HTML_PARSE_NOERROR);

//Get the node I want to output
xmlNodePtr node = ...

//Create the node buffer and fill it with the node content
xmlBufferPtr nodeBuffer = xmlBufferCreate();
htmlNodeDump(nodeBuffer, doc, node);

...

这会转储节点的HTML内容，除了字符实体转换为UTF-8字符外 - 输入HTML中存在的唯一实体是引号，例如’和{{1}当我写出节点的HTML内容时，我想保留它。

我查看了与HTML解析和HTML树函数相关的libxml文档，我似乎无法找到有关HTML实体的任何信息。我也不确定这是否是在解析或输出期间完成的事情。我确实尝试使用‘简单地输出节点的内容，并且实体也被相应的UTF8字符替换，这让我怀疑它是一个解析问题，但我不确定。

Answer 1

事实证明，问题是libxml在内部使用UTF-8（在xmlsoft上的Encodings Support中解释），它将所有HTML字符实体转换为UTF-8字符，因此当输出HTML时将离开这些是转换后的UTF-8字符。

该解决方案也出现在xmlsoft的编码部分，在'Default Supported Encodings'下：

libxml2有一组用于以下编码的默认转换器（位于encoding.c中）：


默认支持UTF-8（空处理程序）

UTF-16，无论是小端还是大端

ISO-Latin-1（ISO-8859-1）涵盖大多数西方语言

ASCII，主要用于保存

HTML，用于将UTF-8转换为ASCII的特定处理程序，使用HTML预定义实体，例如＆amp; copy;版权符号。

它还建议使用像UTF8Toisolat1'这样的转换函数将libxml函数返回的值转换为另一种编码。

解决方案是使用UTF8ToHtml()函数转换HTML输出，该函数将非ASCII字符替换为相关的HTML实体（例如’或‘）。这似乎使HTML标记<和>字符不受影响，这与我尝试使用htmlEncodeEntities()时不同，后者将其替换为<和>。

使用UTF8ToHtml()时我没有解决的一件事是如何确定为输出缓冲区分配多少内存，因为用实体替换单个字符会增加HTML字符串的长度，所以你可以不要只使用输入HTML的长度。我只是分配了两倍大小的输入缓冲区（我想这应该足够我的所有用例），然后使用实际的长度（通过UTF8ToHtml()中的指针参数返回），但我不是确定是否有更好的方法来做到这一点。

使用libxml保留HTML实体

1 个答案: