非英语字符正在转换为十进制

Question

当我查看RSS源时，在浏览器中我可以看到如下字体：

装，配上超短迷你裙，太过暴露，也很不得体。大专​​学生的随性打扮，到底是邋遢，还是新时尚呢？这一期的”青春开讲“，OMY记者来到武吉班让政府中学的学生，一起讨论这个话题。一名学生说，穿着打扮得体，是对别人，对自己的尊重。另一名学...

但是相同的源代码视图转换为十进制，如下所示：

#30701&#35044&#12289&#36855&#20320&#35033&#12289&#21514&#24102&#35013&#12289&#20154&#23383&#25302&#38795......&#22823&#19

987&#23398&#29983&#30340&#31359&#30528&#25171&#25198&#21450&#28526&#27969&#21697&#21619&#65292&#19968&#30452&#37117&#26159&#26159&#22823&#23478&#35752&#35770&#30340&#2

8909&#38376&#35805&#39064&#12290&

这是由于内容的本地化还是文件以不同的编码保存？我可以看到使用UTF-8保存文件。

修改 我试图使用Python解析RSS提要。但解析后，我只得到小数值，而不是实际的字符。

Answer 1

源视图不是将其转换为十进制 - 而是浏览器正在处理实体并将它们转换为相关的非ASCII字符。在转换没有终止';'的实体方面，它可能有点慷慨。

服务器几乎可以肯定地提供您在源视图中看到的内容。

Answer 2

由于某种原因，创建Feed的工具决定将所有字符转换为Unicode代码点字符串表示形式。确实很奇怪，但只有该工具的作者可以回答。

Answer 3

它们是不是只是由页面作者存储为HTML实体？

http://tlt.its.psu.edu/suggestions/international/bylanguage/thaichart.html

Answer 4

这是浏览器处理此问题的方式。写一个简单的html页面，把这个'十进制'放在那里，检查你得到了什么。

是的，您可以在HTML中使用UTF-8字符，但必须设置页面编码。以十进制方式编码UTF-8字符（例如在您的示例中）更安全，因此许多页面更喜欢这样做。它在HTML标准中指定，因此如果您希望手动解析HTML，则必须能够处理它。