Question

我的数据库中保存了一个HTML文档，如下所示：

\\u003cp style=\\\"text-align: center; opacity: 1;\\\"\\u003e\\u003cstrong\\u003e\\u003cspan style=\\\"font-size: 18pt;\\\

我知道，这很丑陋，我知道，这不是理想的方式，但这是一个旧系统。

我的任务是获取所有这些HTML，并将它们转换为Google文档中的文档。实际上，Google文档可以很好地将HTML解析为其内部格式，但是HTML必须是有效的HTML，使用<p>而不是\\u003cp。

我正在尝试将此字符串转换/解码/解析/转换为有效的HTML，但是到目前为止，没有任何运气。

我已经尝试过的事情

htmlentities gem，CGI解码，Nokogiri::HTML.parse，JSON.parse，但它们都没有完成。

我也尝试过string.encode(xxxx)，但也没有碰运气。我真的希望.encode方法可以做到，但我无法使其正常工作，也许我使用的编码错误？（我尝试使用所有ISO-xxx编码）

Answer 1

使用Array#pack：

string = "\\u003cp style=\\\"text-align: center; opacity: 1;\\\"\\u003e\\u003cstrong\\u003e\\u003cspan style=\\\"font-size: 18pt;\\"

string.gsub(/\\u(....)/) { [$1.hex].pack("U") }
# => "<p style=\\\"text-align: center; opacity: 1;\\\"><strong><span style=\\\"font-size: 18pt;\\"

Answer 2

以下是您的快速解决方法：

input_string.gsub(/\\u(\h{4})/) { [$1.to_i(16)].pack('U') }

使用上面提供的示例输入，结果为：

"<p style=\\\"text-align: center; opacity: 1;\\\"><strong><span style=\\\"font-size: 18pt;\\"

说明：

\u003c == <。左侧是转义的unicode字符；这和\\u003c不同，后者是一个文字反斜杠，后跟u003c。

正则表达式\\u(\h{4})将匹配该表达式的任何出现（\h代表“十六进制”，等效于[0-9a-fA-F]），Array#pack将二进制序列转换为（在这种情况下）是UTF-8字符。

当然，理想情况下，您将从根本上解决问题，而不是重新设计这样的解决方法。但是，如果那超出了您的控制范围，则必须有一种解决方法。

如何将UTF-8解码为HTML标签

我已经尝试过的事情

2 个答案: