将HTML实体（如＆amp;）转换为Latex

Question

我正在编写一个应用程序，使用Java和JSOAP从网站抓取一些文章。该应用程序将文章的某些部分编译为.tex（LaTeX）文档，然后使用PDFLatex将其转换为PDF。

某些网页包含HTML实体，例如＆amp;或“这些在PDF转换期间导致错误。我该如何解决这个问题？

Answer 1

你将utf8字符与html实体混淆， 你真正想要的（似乎）是将这些实体转换为乳胶字符。

this question on tex-exchange有neat conversion list的链接。 列是（按顺序）：

1. html实体（忽略大小写），没有&和;
2. 对应的unicode字符
3. 相应的乳胶命令（如果有）。没有\

用这个列表作为起点编写一些转换代码应该很容易。

Answer 2

HTML使用标记构建数据，这些标记由一系列字符定义。这些标签以某些字符开头并包含某些字符，如果您想使用其中一个字符来分隔标记的某些部分，则需要使用character entity来表示它们。

这意味着&不是单个字符的某种奇怪的编码，它实际上是五个字符，它们组合是HTML渲染器（如Web浏览器）的信号，只有字符{{ 1}}将被显示。

Tex，是一个不同的野兽，它对HTML使用“裸”&没有相同的限制，所以在用Tex处理这些数据之前，你需要做一个字符串替换所有带有常规字符的HTML字符实体。

请注意，有两个类型的字符实体。一组包括“命名”实体，分别为&和>（<和>，而第二组是“编号”实体。编号实体看起来像<，本例中的“32”表示ISO-8859-1字符代码（本例中为空格）。