哪些是 HTML 和 XML 特殊字符？

Question

什么是 HTML 和 XML 中的特殊保留字符实体？

我所说的信息：

HTML：

• & （替换为&）
• < （替换为<）
• > （替换为>）
• " （替换为"）
• ' （替换为'）

XML：

• < （替换为<）
• > （替换为>）
• & （替换为&）
• ' （替换为'）
• " （替换为"）

但是我找不到关于这些的文档。

W3C 在Extensible Markup Language (XML) 1.0 (Fifth Edition) 中确实提到了某些预定义的实体引用。但它说这些实体是预定义的（与© 预定义的方式相同）；并不是说它们必须被转义：

4.6 Predefined Entities

[定义：实体和字符引用都可以用于 转义左尖括号、& 和其他分隔符。一套 为此指定了一般实体（amp、lt、gt、apos、quot） 目的。也可以使用数字字符引用；他们是 识别时立即展开，必须视为字符 数据，所以数字字符引用“<”和“&”可能 用于在字符数据中出现

HTML中哪些字符必须转义到实体引用中？ 必须将哪些字符转义到 XML 中的实体引用中？

---

更新：

来自Extensible Markup Language (XML) 1.0 (Fifth Edition)：

2.4 Character Data and Markup

& 字符 (&) 和左尖括号 (<) 不得 以字面形式出现，除非用作标记分隔符， 或在注释、处理指令或 CDATA 部分中。 如果 它们在其他地方需要，它们必须使用任一数字进行转义 字符引用或字符串“&”和“<” 分别。

右尖括号 (>) 可以使用 字符串“>”和必须，为了兼容性，使用以下任一方法进行转义 “>”或出现在字符串“]]>”中的字符引用 在内容中，当该字符串未标记 CDATA 部分的结尾时。

为了允许属性值同时包含单引号和双引号，撇号或单引号字符 (') 可以表示为“'”，而双引号字符 (") 可以表示为“ ""。

我读过前者是这样说的

必须是：

• < (<) 必须是
• & (&) 必须是

可以，但在显示为]]>时必须

• > (>) 必须是，如果显示为 ]]>

而且' 和" 根本不需要转义；除非你想在带引号的属性中加上引号。

---

来自HTML 4.01 Specification, HTML Document Representation：

5.3.2 Character entity references

希望在文本中添加“<”字符的作者应使用“<” （ASCII 十进制 60）以避免可能与开头的混淆 标记（开始标记打开分隔符）。

同样，作者应使用“>” （ASCII 十进制 62）在文本中而不是“>”以避免旧的问题 用户代理错误地认为这是一个标签的结束（标签 关闭分隔符）出现在带引号的属性值中时。

作者应使用“&”（ASCII 十进制 38）而不是“&”以避免 与字符引用的开头混淆（实体 引用打开分隔符）。作者还应该使用“&”在 属性值，因为 CDATA 中允许字符引用 属性值。

有些作者使用字符实体引用“"”进行编码 双引号 (") 的实例，因为该字符可能是 用于分隔属性值。

HTML 在规则上更加空泛，但听起来我应该：

• < 应与 <
• > 应该与 >
• & 应该与 &
• " 应该与 "

如果" 可以是实体引用，我也应该将' 替换为&。

---

更新二

来自HTML5 - A vocabulary and associated APIs for HTML and XHTML：

8.3 Serializing HTML fragments

转义字符串（出于上述算法的目的）包括 运行以下步骤：

用字符串“&”替换任何出现的“&”字符。

将所有出现的 U+00A0 NO-BREAK SPACE 字符替换为 字符串“ ”。

如果算法是在属性模式下调用的，则替换任何 字符串“"”出现的“"”字符。

如果没有在属性模式下调用算法，则替换任何 字符串“<”出现的“<”字符，以及任何 字符串“>”出现“>”字符。

我读为 HTML：

• & & 总是
•   总是
• " " 如果它在属性内
• < by < 如果它不是在属性中（即属性可以包含<）
• > by > 如果它不是在属性中（即属性可以包含>）

Answer 1

首先，您将HTML 4.01 specification 与HTML 5 one 进行比较。 HTML5 与 XML 的联系比 HTML 4.01 更紧密（这就是我们有 XHTML 的原因），所以这个答案将坚持 HTML 5 和 XML。

您引用的参考文献在以下几点上都是一致的：

• < 在不指示处理指令时应始终用< 表示
• > 在不指示处理指令时应始终用> 表示
• & 应始终以 & 表示
• 除了在<![CDATA[ ]]>内（仅适用于XML）

我 100% 同意这一点。您永远不希望解析器将文字误认为是指令，因此始终对任何非空格（见下文）字符进行编码是一个不错的主意。优秀的解析器知道 <![CDATA[ ]]> 中包含的任何内容都不是指令，因此那里不需要编码。

实际上，除非

• 它出现在属性（XML 或 HTML）的值中
• 它出现在 XML 标记的文本中。 (<tag>"Yoinks!", he said.</tag>)

这两个规范也同意这一点。

所以，唯一的争论点是（空格）。在任一规范中唯一提到它是在尝试序列化时。如果不是，您应该始终使用文字 （空格）。除非您正在编写自己的解析器，否则我认为不需要进行任何类型的序列化，所以这不是重点。