将html实体转换为c中的unicode（utf-8）字符串？

Question

  

可能重复：
  How to decode HTML Entities in C?

这个问题与that one非常相似，但我需要在C中做同样的事情，而不是python。以下是函数应该执行的一些示例：

input    output

&lt;     <
&gt;     >
&auml;   ä
&#x00DF; ß

该函数应具有签名char * html2str（char * html）或类似名称。我不是从流中逐字节读取的。

我可以使用库函数吗？

Answer 1

没有标准的库函数来完成这项工作。开源世界必须有大量的实现 - 几乎任何必须处理HTML的程序都会有一个。

问题有两个方面：

1. 在源字符串中查找HTML实体。
2. 在其位置插入适当的替换文字。

因为最短的实体是'＆amp; x;' （但是，AFAIK，它们在＆符号和分号之间至少使用2个字符），因为最长的UTF-8字符表示是4个字节，所以你总是缩短字符串。因此，可以安全地原位编辑。

Kernighan和Pike在'The Practice of Programming'中有一个HTML实体解码的例子，尽管它在某种程度上已经过时了。他们使用标记器来识别实体，并使用实体名称的排序表加上替换值，以便他们可以使用二进制搜索来识别替换。这仅适用于非算法实体名称。对于编码为“ß”的实体，您使用算法技术对其进行解码。

Answer 2

这听起来像是flex的工作。当然，flex通常是基于流的，但您可以使用flex函数yy_scan_string（或其亲属）来更改它。有关详细信息，请参阅The flex Manual: Scanning Strings。

Flex的基本Unicode支持非常糟糕，但是如果你不介意手工编写字节，那么它可能是一种解决方法。可能还有其他工具可以做你想做的事。