来自 HTML 的 NSString 中的特殊字符

Question

我正在从 XML 源中获取数据并使用 tbxml 对其进行解析。一切正常，直到我得到一个像“é”这样的拉丁字母，它将显示为： 代码：

é

我没有看到合适的 NSString 方法来进行转换。有什么想法吗？

Answer 1

您可以使用正则表达式。正则表达式是所有问题的解决方案和原因！ :)

至少在撰写本文时，以下示例使用未发布的 RegexKitLite 4.0。可以通过svn获取4.0开发快照：

shell% svn co http://regexkit.svn.sourceforge.net/svnroot/regexkit regexkit

以下示例利用新的 4.0 块功能来搜索和替换 é 字符实体。

第一个示例是两者中“更简单”的一个。它仅处理像é 这样的十进制字符实体，而不像é 这样的十六进制字符实体。如果你能保证你永远不会有十六进制字符实体，这应该没问题：

#import <Foundation/Foundation.h>
#import "RegexKitLite.h"

int main(int argc, char *charv[]) {
  NSAutoreleasePool *pool = [[NSAutoreleasePool alloc] init];

  NSString *string = @"A test: &#233; and &#xe9; ? YAY! Even >0xffff are handled: &#119808; or &#x1D400;, see? (0x1d400 == MATHEMATICAL BOLD CAPITAL A)";
  NSString *regex = @"&#([0-9]+);";

  NSString *replacedString = [string stringByReplacingOccurrencesOfRegex:regex usingBlock:^NSString *(NSInteger captureCount, NSString * const capturedStrings[captureCount], const NSRange capturedRanges[captureCount], volatile BOOL * const stop) {
      NSUInteger u16Length = 0UL, u32_ch = [capturedStrings[1] integerValue];
      UniChar u16Buffer[3];

      if (u32_ch <= 0xFFFFU)       { u16Buffer[u16Length++] = ((u32_ch >= 0xD800U) && (u32_ch <= 0xDFFFU)) ? 0xFFFDU : u32_ch; }
      else if (u32_ch > 0x10FFFFU) { u16Buffer[u16Length++] = 0xFFFDU; }
      else                         { u32_ch -= 0x0010000UL; u16Buffer[u16Length++] = ((u32_ch >> 10) + 0xD800U); u16Buffer[u16Length++] = ((u32_ch & 0x3FFUL) + 0xDC00U); }

      return([NSString stringWithCharacters:u16Buffer length:u16Length]);
    }];

  NSLog(@"replaced: '%@'", replacedString);

  return(0);
}

编译并运行：

shell% gcc -arch i386 -g -o charReplace charReplace.m RegexKitLite.m -framework Foundation -licucore
shell% ./charReplace
2010-02-13 22:51:48.909 charReplace[35527:903] replaced: 'A test: é and é ? YAY! Even >0xffff are handled: ? or 𝐀, see? (0x1d400 == MATHEMATICAL BOLD CAPITAL A)'

0x1d4000 字符可能不会显示在您的浏览器中，但它在终端窗口中看起来像一个粗体 A。

替换块中间的“三行”确保正确转换> 0xFFFF 的UTF-32 字符。为了完整性和正确性，我将其放入。无效的 UTF-32 字符值 (0xd800 - 0xdfff) 被转入 U+FFFD 或 REPLACEMENT CHARACTER。如果您可以“保证”您永远不会拥有 > 0xFFFF（或 65535）的 &#...; 字符实体，并且始终是“合法的”UTF-32，那么您可以删除这些行并简化整体阻止类似：

return([NSString stringWithFormat:@"%C", [capturedStrings[1] integerValue]]);

第二个例子同时处理十进制和十六进制字符实体：

#import <Foundation/Foundation.h>
#import "RegexKitLite.h"

int main(int argc, char *charv[]) {
  NSAutoreleasePool *pool = [[NSAutoreleasePool alloc] init];

  NSString *string = @"A test: &#233; and &#xe9; ? YAY! Even >0xffff are handled: &#119808; or &#x1D400;, see? (0x1d400 == MATHEMATICAL BOLD CAPITAL A)";
  NSString *regex = @"&#(?:([0-9]+)|x([0-9a-fA-F]+));";

  NSString *replacedString = [string stringByReplacingOccurrencesOfRegex:regex usingBlock:^NSString *(NSInteger captureCount, NSString * const capturedStrings[captureCount], const NSRange capturedRanges[captureCount], volatile BOOL * const stop) {
      NSUInteger u16Length = 0UL, u32_ch = 0UL;
      UniChar u16Buffer[3];

      CFStringRef cfSelf = (capturedRanges[1].location != NSNotFound) ? (CFStringRef)capturedStrings[1] : (CFStringRef)capturedStrings[2];
      UInt8 buffer[64];
      const char *cptr;

      if((cptr = CFStringGetCStringPtr(cfSelf, kCFStringEncodingMacRoman)) == NULL) {
        CFRange range     = CFRangeMake(0L, CFStringGetLength(cfSelf));
        CFIndex usedBytes = 0L;
        CFStringGetBytes(cfSelf, range, kCFStringEncodingUTF8, '?', false, buffer, 60L, &usedBytes);
        buffer[usedBytes] = 0;
        cptr              = (const char *)buffer;
      }

      u32_ch = strtoul(cptr, NULL, (capturedRanges[1].location != NSNotFound) ? 10 : 16);

      if (u32_ch <= 0xFFFFU)       { u16Buffer[u16Length++] = ((u32_ch >= 0xD800U) && (u32_ch <= 0xDFFFU)) ? 0xFFFDU : u32_ch; }
      else if (u32_ch > 0x10FFFFU) { u16Buffer[u16Length++] = 0xFFFDU; }
      else                         { u32_ch -= 0x0010000UL; u16Buffer[u16Length++] = ((u32_ch >> 10) + 0xD800U); u16Buffer[u16Length++] = ((u32_ch & 0x3FFUL) + 0xDC00U); }

      return([NSString stringWithCharacters:u16Buffer length:u16Length]);
    }];

  NSLog(@"replaced: '%@'", replacedString);

  return(0);
}

再次，编译并运行：

shell% gcc -arch i386 -g -o charReplace charReplace.m RegexKitLite.m -framework Foundation -licucore
shell% ./charReplace
2010-02-13 22:52:02.182 charReplace[35540:903] replaced: 'A test: é and é ? YAY! Even >0xffff are handled: ? or ?, see? (0x1d400 == MATHEMATICAL BOLD CAPITAL A)'

注意输出与第一个相比的差异：第一个仍然有é，而在这个中它被替换了。同样，它有点冗长，但我选择追求完整性和正确性。

两个示例都可以将 stringByReplacingOccurrencesOfRegex: 方法替换为以下“额外速度”，但您应该参考文档以查看使用 RKLRegexEnumerationFastCapturedStringsXXX 的注意事项。需要注意的是，在上面使用它不是问题并且非常安全（也是我向 RegexKitLite 添加选项的原因之一）。

  NSString *replacedString = [string stringByReplacingOccurrencesOfRegex:regex options:RKLNoOptions inRange:NSMakeRange(0UL, [string length]) error:NULL enumerationOptions:RKLRegexEnumerationFastCapturedStringsXXX usingBlock:^NSString *(NSInteger captureCount, NSString * const capturedStrings[captureCount], const NSRange capturedRanges[captureCount], volatile BOOL * const stop) {

您的问题的另一个答案将您指向this Stack Overflow Question with an Answer。此解决方案与该解决方案之间的差异（仅基于快速浏览）：

这个解决方案：

• 需要外部库 (RegexKitLite)。
• 使用 Blocks 来执行它的工作，这还不是“无处不在”。虽然有 Plausible Blocks，它可以让你在 Mac OS X 10.5 和 iPhone OS 2.2+ 上使用 Blocks（我认为）。他们向后移植了 10.6 gcc Blocks 的更改并使其可用。

另一种解决方案：

• 使用标准的 Foundation 类，适用于任何地方。
• 在处理一些 UTF-32 字符代码点时不太正确（实际上可能不是问题）。
• 处理几个常见的命名字符实体，例如>。不过，这可以很容易地添加到上述内容中。

我没有对这两种解决方案进行基准测试，但我愿意打赌，使用 RKLRegexEnumerationFastCapturedStringsXXX 的 RegexKitLite 解决方案胜过NSScanner 解决方案。

如果您真的想添加命名字符实体，您可以将正则表达式更改为：

NSString *regex = @"&(?:#(?:([0-9]+)|x([0-9a-fA-F]+))|([a-zA-Z][a-zA-Z0-9]+));";

注意：以上我都没有测试过。

Capture #3 应包含“角色实体名称”，然后您可以使用它进行查找。一个非常好的方法是有一个 NSDictionary 包含一个命名字符作为 key 和一个 NSString object 包含该名称映射到的字符。您甚至可以将整个内容保留为外部 .plist 资源，并通过以下方式按需加载：

NSDictionary *namedCharactersDictionary = [NSDictionary dictionaryWithContentsOfFile:@"namedCharacters.plist"];

您显然会对其进行调整以使用NSBundle 来获取您的应用程序资源目录的路径，但您明白了这个想法。然后你会在块中添加另一个条件检查：

if(capturedRanges[3].location != NSNotFound) {
  NSString *namedCharacter = [namedCharactersDictionary objectForKey:capturedStrings[3]];
  return((namedCharacter == NULL) ? capturedStrings[0] : namedCharacter);
}

如果命名字符在字典中，它将替换它。否则，它会返回完整的 &notfound; 匹配文本（即“什么都不做”）。

Answer 2

这似乎是一个很常见的问题。查看HTML character decoding in Objective-C / Cocoa Touch