Question

我正在处理一堆文本/ html文档

其中一些包含已编码的html实体，我试图将其转换为原始解码的utf字符。

使用html_entity_decode很容易，但有些实体无效，例如

&#x99999;

出于这个原因，我正在使用正则表达式来提取每个单独的实体，然后尝试以某种方式验证它们。

如果实体无效，我希望将其作为򙦙保留在文档中，但编码&之类的内容仍会变为&。

我敲了一些示例测试代码..

<?php
function dump_chars($s)
{
    if (preg_match_all('/&[#A-Za-z0-9]+;/', $s, $matches))
    {
        foreach ($matches[0] as $m)
        {
            $decoded = html_entity_decode($m, ENT_QUOTES, "UTF-8");

            echo "[" . htmlentities($m, ENT_QUOTES, "UTF-8") . "] ";
            echo "Decoded: [" . $decoded . "] ";
            echo "Hex: [" . bin2hex($decoded) . "] "; 
            echo "detect: [" . mb_detect_encoding($decoded) . "]";
            echo "<br>";
        }
    }
}

$payload = "&quot; &amp; &#x349; &#x92; &#x99999;";
echo "<html><head><meta charset='UTF-8'></head><body>";
dump_chars($payload);

我对如何最好地验证实体感到有点空白，请给我一些帮助。

Answer 1

我终于找到了办法......

function decode_numeric_entities($s)
{
    $result = $s;
    $convmap = array(0x0, 0x2FFFF, 0, 0xFFFF);

    if (preg_match_all('/&[#A-Za-z0-9]+;/', $s, $matches))
    {
        foreach ($matches[0] as $m)
        {
            $decoded = mb_decode_numericentity($m, $convmap, 'UTF-8');
            $result = str_replace($m, $decoded, $result);
        }
    }
    return $result;
}

通过此func运行字符串会将所有有效实体转换为实际的utf字符，并将所有无效实体保留为实体

如何在PHP中检测无效的html实体？

1 个答案: