Question

这是一个快速的Perl问题：

如何将ü或'等HTML特殊字符转换为普通的ASCII文本？

我从这样的事情开始：

s/\&#(\d+);/chr($1)/eg;

并且可以为所有HTML字符编写它，但是这样的某些功能可能已经存在了？

请注意，我不需要完整的HTML-＆gt;文本转换器。我已使用HTML::Parser解析HTML。我只需要用我正在获得的特殊字符转换文本。

Answer 1

看看HTML::Entities：

use HTML::Entities;

my $html = "Snoopy &amp; Charlie Brown";

print decode_entities($html), "\n";

你可以猜出输出。

Answer 2

以上答案告诉您如何将实体解码为Perl字符串，但您还询问了如何将这些实体更改为 ASCII 。

假设这真的是你想要的，并且你不想要所有的unicode字符，你可以从CPAN查看Text::Unidecode模块，将所有这些奇怪的字符重新转换成大致相似的ASCII字符集合：

use Text::Unidecode qw(unidecode);
use HTML::Entities qw(decode_entities);

my $source = '&#21271;&#20144;';  
print unidecode(decode_entities($source));

# That prints: Bei Jing

Answer 3

请注意，也有十六进制指定的字符。它们看起来像这样：＆amp;＃xe9; （E）。

使用HTML :: Entities的decode_entities将实体转换为实际字符。要将其转换为ASCII需要更多工作。我用过iconv（perl接口：Text :: Iconv）与音译选项在过去取得了一些成功。但如果你正在交易使用有限的实体集，或者您实际上并不需要将其缩减为ASCII等价物，你可能最好限制decode_entities生成或提供自定义转换图。请参阅HTML ::实体文档。

Answer 4

有一些预定义的HTML实体 - & " >等等 - 您可以进行硬编码。

但是，较大的数字实体 - { - 会更加困难，因为这些值为Unicode，转换为ASCII的范围将从困难 不可能。

Answer 5

我使用此脚本。将其另存为html2utf.py，并在echo $some_html | html2utf.py中使用。

#!/usr/bin/env python3
"""
An alternative for `perl -Mopen=locale -MHTML::Entities -pe '$_ = decode_entities($_)'` (which you can use by `cpanm HTML::Entities`) and `recode html..`.
"""

import fileinput
import html

for line in fileinput.input():
    print(html.unescape(line.rstrip('\n')))

如何解码HTML实体？

5 个答案: