Come faccio a decodificare entità HTML?

Question

Ecco una domanda veloce Perl:

Come posso convertire HTML caratteri speciali come ü o ' normale testo ASCII?

Ho iniziato con qualcosa di simile:

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

e potrebbe scrivere per tutti i caratteri HTML, ma qualche funzione in questo modo probabilmente già esiste?

Si noti che non ho bisogno di un full HTML-> Convertitore di testo. Ho già analizzare il HTML con il HTML::Parser. Ho solo bisogno di convertire il testo con i caratteri speciali che sto ricevendo.

Answer 1

Date un'occhiata a HTML :: Enti :

use HTML::Entities;

my $html = "Snoopy & Charlie Brown";

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

Si può immaginare l'uscita.

Answer 2

Le risposte di cui sopra indicano come decodificare i soggetti in stringhe Perl, ma è anche chiesto come cambiare quelli in ASCII .

Supponendo che questo è davvero ciò che si vuole e non si desidera che tutti i caratteri unicode si può guardare al Testo :: modulo Unidecode da CPAN fare zapping tutti quei personaggi strani di nuovo in un insieme più o meno simile di caratteri ASCII:

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

my $source = '北亰';  
print unidecode(decode_entities($source));

# That prints: Bei Jing 

Answer 3

Note that there are hex-specified characters too. They look like this: é (é).

Use HTML::Entities' decode_entities to translate the entities into actual characters. To convert that to ASCII requires more work. I've used iconv (perl interface: Text::Iconv) with the transliterate option on with some success in the past. But if you are dealing with a limited set of entities, or you don't actually need it reduced to ASCII equivalents, you may be better off limiting what decode_entities produces or providing it with custom conversion maps. See the HTML::Entities doc.

Answer 4

There are a handful of predefined HTML entities - & " > and so on - that you could hard code.

However, the larger case of numberic entities - { - is going to be much harder, as those values are Unicode, and conversion to ASCII is going to range from difficult to impossible.