我正在将 Android 应用程序移植到 iOS，但遇到了一个小障碍。我正在从网页中提取 HTML 编码数据，但其中一些数据以 Unicode 格式显示以显示外来字符...因此俄语 (Лети за мной) 中的字符将被解析为 "Лет..."
在 android 中，我可以通过调用 HTML.fromHTML() 来解决这个问题。 iOS 有类似的吗？
【问题讨论】：
编写自己的 HTML 实体解码器非常容易。只需扫描字符串以查找 &，阅读以下 ;，然后解释结果。如果是“amp”、“lt”、“gt”或“quot”，请将其替换为相关字符。如果它以# 开头，它是一个数字实体。如果 # 后跟“x”，则将其余部分视为十六进制，否则视为十进制。读取数字，然后将字符插入字符串（如果您正在写入NSMutableString，则可以使用[str appendFormat:@"%C", thechar]。NSScanner 可以使字符串扫描变得非常容易，特别是因为它已经知道如何读取十六进制数字。
我刚刚创建了一个应该为您执行此操作的函数。请注意，我还没有实际测试过这个，所以你应该按照它的速度运行它：
- (NSString *)stringByDecodingHTMLEntitiesInString:(NSString *)input {
NSMutableString *results = [NSMutableString string];
NSScanner *scanner = [NSScanner scannerWithString:input];
[scanner setCharactersToBeSkipped:nil];
while (![scanner isAtEnd]) {
NSString *temp;
if ([scanner scanUpToString:@"&" intoString:&temp]) {
[results appendString:temp];
}
if ([scanner scanString:@"&" intoString:NULL]) {
BOOL valid = YES;
unsigned c = 0;
NSUInteger savedLocation = [scanner scanLocation];
if ([scanner scanString:@"#" intoString:NULL]) {
// it's a numeric entity
if ([scanner scanString:@"x" intoString:NULL]) {
// hexadecimal
unsigned int value;
if ([scanner scanHexInt:&value]) {
c = value;
} else {
valid = NO;
}
} else {
// decimal
int value;
if ([scanner scanInt:&value] && value >= 0) {
c = value;
} else {
valid = NO;
}
}
if (![scanner scanString:@";" intoString:NULL]) {
// not ;-terminated, bail out and emit the whole entity
valid = NO;
}
} else {
if (![scanner scanUpToString:@";" intoString:&temp]) {
// &; is not a valid entity
valid = NO;
} else if (![scanner scanString:@";" intoString:NULL]) {
// there was no trailing ;
valid = NO;
} else if ([temp isEqualToString:@"amp"]) {
c = '&';
} else if ([temp isEqualToString:@"quot"]) {
c = '"';
} else if ([temp isEqualToString:@"lt"]) {
c = '<';
} else if ([temp isEqualToString:@"gt"]) {
c = '>';
} else {
// unknown entity
valid = NO;
}
}
if (!valid) {
// we errored, just emit the whole thing raw
[results appendString:[input substringWithRange:NSMakeRange(savedLocation, [scanner scanLocation]-savedLocation)]];
} else {
[results appendFormat:@"%C", c];
}
}
}
return results;
}
【讨论】：
&"<>!，还有更多的 HTML 实体可以使用
htmlentities() 而不是通常更合适的 htmlspecialchars()，这会导致大量不必要的实体引用。 :-(
HTML（和 XML）中的 &#(number); 构造被称为字符引用。它不是特定于 Unicode 的，除了 HTML 中的所有字符都是根据 Unicode 定义的，无论是逐字包含还是编码为字符或实体引用。 （实体引用是看起来像 &eacute; 或 &amp; 的命名引用，如果您正在抓取 HTML 页面，您当然也必须处理这些。）
标准库中没有用于解码字符或实体引用的函数。有关解码 HTML 文本内容的方法，请参阅 this question。如果您只有字符引用和标准 XML 实体，例如 &amp;，您可以利用 NSXMLParser 来解析 <element>+yourstring+</element>，但这不会处理特定于 HTML 的实体，例如 &eacute; .
一般来说，屏幕抓取最好使用适当的 HTML 解析器来完成，而不是字符串破解。这会将所有文本内容转换为文本节点，同时转换字符和实体引用。但是，标准库中没有可用的 HTML 解析器。如果目标页面是格式良好的独立 XHTML，您可以再次使用 NSXMLParser。否则，您可能想尝试 libxml2，它提供了 HTML 解析器和 XML。有关背景信息，请参阅 this question。
【讨论】：
如果您从网站获取数据，您将拥有一个NS(Mutable)Data-Object 作为您的接收缓冲区。您只需通过以下方式将 NSData 转换为 NSString：NSString *myString = [[NSString alloc] initWithData:myRecvData usingEncoding:NSUnicodeStringEncoding]
如果您的服务器以 Unicode 发送。如果您的服务器发送的是 utf-8 或其他格式，那么您还必须调整接收代码中的字符串编码。
here a list of all supported string-encoding-types
编辑： 看看这个so-thread。
【讨论】：