转换 &#XXXX; 的简单方法在 .Net 中以编程方式或使用工具从 HTML 到 UTF-8 xml答案

【问题标题】：Easy way to convert &#XXXX; from HTML to UTF-8 xml either programmaticaly in .Net or using tools转换 &#XXXX; 的简单方法在 .Net 中以编程方式或使用工具从 HTML 到 UTF-8 xml
【发布时间】：2011-03-24 12:24:48
【问题描述】：

HTML 和 XML 并不相同，只是为了说明。

用于输入 HTML 文件

<p class=MsoNormal style='tab-stops:.5in'><b><span style='mso-tab-count:3'>                                    </span></b><b><span
lang=AR-SY dir=RTL style='mso-bidi-language:AR-SY'>&#1593;&#1586;&#1578;
&#1575;&#1576;&#1585;&#1575;&#1607;&#1610;&#1605;
&#1575;&#1604;&#1583;&#1608;&#1585;&#1610;</span><o:p></o:p></b></p>

使用 UTF-8 编码接收 XML

<Name Type="Script"> صدام حسين التكريتي</Name>

基本上我需要一个序列 ASCII 序列 xxx;yyyy;zzzz;保存为 utf-8。

【问题讨论】：

标签： .net html xml utf-8

【解决方案1】：

我不太确定您是想将 HTML 十进制编码转换到位还是从 HTML 转换为 XML 文档。将十进制（或十六进制）编码字符转换为 UTF-8/16 并不太难。然而，在野外正确解析 HTML 可能是一个挑战（参见 thread）。

这是一个简单的类，用于将十进制和十六进制编码字符转换到位并返回一个 .Net 字符串（我不保证它的正确性或鲁棒性 - 特别是如果您试图将它用于格式错误的 HTML 或具有代理对字符):

using System;
using System.Collections.Generic;
using System.Globalization;
using System.Text.RegularExpressions;

namespace HtmlEncodingConverter
{
    internal static class HtmlEncoding
    {
    private static readonly Regex EncodedCharRegex = new Regex(@"&#[X]?[0-9|A-F]{1,12};",
                                                               RegexOptions.Compiled |
                                                               RegexOptions.IgnoreCase |
                                                               RegexOptions.CultureInvariant);


    public static string ToUtfCharacters(string input)
    {
        return ConvertInnerText(input, ReplaceWithCharacter);
    }

    private static string ReplaceWithCharacter(string original)
    {
        return EncodedCharRegex.Replace(original, new MatchEvaluator(DecodeCharacter));
    }

    private static string DecodeCharacter(Match match)
    {
        string digits = match.ToString().TrimStart(new[] {'#', '&'}).TrimEnd(';').ToUpperInvariant();
        return digits.StartsWith("X") ? HexToString(digits) : DecToString(digits);
    }

    private static string DecToString(string digits)
    {
        return ((char) int.Parse(digits)).ToString();
    }

    private static string HexToString(string digits)
    {
        return ((char) int.Parse(
            digits.Substring(1), 
            NumberStyles.HexNumber, 
            CultureInfo.InvariantCulture)).ToString();
    }

    private static string ConvertInnerText(string original, Func<string, string> converter)
    {
        var convertedQueue = new Queue<char>(original.Length);
        var innerQueue = new Queue<char>();
        int tagCount = 0;
        bool hasFoundHtml = false;
        foreach (char character in original)
        {
            if (character.Equals('<'))
            {
                hasFoundHtml = true;
                if (tagCount == 0 && innerQueue.Count > 0)
                {
                    var innerString = new string(innerQueue.ToArray());
                    string convertedString = converter.Invoke(innerString);
                    foreach (char convertedCharacter in convertedString)
                    {
                        convertedQueue.Enqueue(convertedCharacter);
                    }
                    innerQueue.Clear();
                }
                tagCount += 1;
                convertedQueue.Enqueue(character);
                continue;
            }
            if (character.Equals('>'))
            {
                tagCount -= 1;
                convertedQueue.Enqueue(character);
                continue;
            }
            if (tagCount == 0 && hasFoundHtml)
            {
                innerQueue.Enqueue(character);
            }
            else
            {
                convertedQueue.Enqueue(character);
            }
        }
        return new string(convertedQueue.ToArray());
    }
}
}

【讨论】：