在C＃中将HTML实体转换为Unicode字符

Question

我发现Python和Javascript的类似问题和答案，但不适用于C＃或任何其他WinRT兼容语言。

我认为我需要它的原因是因为我正在显示我从Windows 8商店应用程序中的网站获得的文本。例如。 é应该成为é。

还是有更好的方法吗？我不是显示网站或RSS订阅源，而只是显示网站及其标题列表。

Answer 1

我建议使用 System.Net.WebUtility.HtmlDecode 和不 HttpUtility.HtmlDecode。

这是因为Winforms / WPF / Console应用程序中不存在System.Web引用，您可以使用此类（在所有这些项目中已添加为引用）获得完全相同的结果）。

<强>用法：

string s =  System.Net.WebUtility.HtmlDecode("é"); // Returns é

Answer 2

这可能很有用，用其unicode等效替换所有（就我的要求而言）实体。

    public string EntityToUnicode(string html) {
        var replacements = new Dictionary<string, string>();
        var regex = new Regex("(&[a-z]{2,5};)");
        foreach (Match match in regex.Matches(html)) {
            if (!replacements.ContainsKey(match.Value)) { 
                var unicode = HttpUtility.HtmlDecode(match.Value);
                if (unicode.Length == 1) {
                    replacements.Add(match.Value, string.Concat("&#", Convert.ToInt32(unicode[0]), ";"));
                }
            }
        }
        foreach (var replacement in replacements) {
            html = html.Replace(replacement.Key, replacement.Value);
        }
        return html;
    }

Answer 3

在msdn here

上使用HttpUtility.HtmlDecode()。阅读

decodedString = HttpUtility.HtmlDecode(myEncodedString)

Answer 4

Metro App和WP8 App中HTML实体和HTML编号的不同编码/编码。

使用Windows Runtime Metro App

{
    string inStr = "ó";
    string auxStr = System.Net.WebUtility.HtmlEncode(inStr);
    // auxStr == ó
    string outStr = System.Net.WebUtility.HtmlDecode(auxStr);
    // outStr == ó
    string outStr2 = System.Net.WebUtility.HtmlDecode("ó");
    // outStr2 == ó
}

使用Windows Phone 8.0

{
    string inStr = "ó";
    string auxStr = System.Net.WebUtility.HtmlEncode(inStr);
    // auxStr == ó
    string outStr = System.Net.WebUtility.HtmlDecode(auxStr);
    // outStr == ó
    string outStr2 = System.Net.WebUtility.HtmlDecode("ó");
    // outStr2 == ó
}

要解决此问题，在WP8中，我在调用System.Net.WebUtility.HtmlDecode()之前已在HTML ISO-8859-1 Reference中实施了该表。

Answer 5

这对我有用，取代了普通和unicode实体。

private static readonly Regex HtmlEntityRegex = new Regex("&(#)?([a-zA-Z0-9]*);");

public static string HtmlDecode(this string html)
{
    if (html.IsNullOrEmpty()) return html;
    return HtmlEntityRegex.Replace(html, x => x.Groups[1].Value == "#"
        ? ((char)int.Parse(x.Groups[2].Value)).ToString()
        : HttpUtility.HtmlDecode(x.Groups[0].Value));
}

[Test]
[TestCase(null, null)]
[TestCase("", "")]
[TestCase("'fark'", "'fark'")]
[TestCase(""fark"", "\"fark\"")]
public void should_remove_html_entities(string html, string expected)
{
    html.HtmlDecode().ShouldEqual(expected);
}

Answer 6

改进的Zumey方法（我无法在此处发表评论）。最大char大小在实体中：＆exclamation; （11）。实体中的大写字母也是可能的，例如。 À（来源：wiki）

public string EntityToUnicode(string html) {
        var replacements = new Dictionary<string, string>();
        var regex = new Regex("(&[a-zA-Z]{2,11};)");
        foreach (Match match in regex.Matches(html)) {
            if (!replacements.ContainsKey(match.Value)) { 
                var unicode = HttpUtility.HtmlDecode(match.Value);
                if (unicode.Length == 1) {
                    replacements.Add(match.Value, string.Concat("&#", Convert.ToInt32(unicode[0]), ";"));
                }
            }
        }
        foreach (var replacement in replacements) {
            html = html.Replace(replacement.Key, replacement.Value);
        }
        return html;
    }