使用 libxml 保留 HTML 实体

Question

我正在编写一个方法来解析 HTML 字符串，查询并获取一些节点，然后为这些节点输出 HTML。

我正在使用 libxml，并已设法加载和解析输入 HTML，并为我想要的节点输出 HTML 字符串，除了我想要保留任何 HTML 实体和 libxml似乎将这些转换为相关的 UTF-8 字符。

这是我目前得到的（代码是 Objective-C 项目的一部分）：

NSString *HTMLString = ...
NSData *documentData = [HTMLString dataUsingEncoding:NSUTF8StringEncoding];

//Create the document
xmlDocPtr doc = htmlReadMemory([documentData bytes],
                               [documentData length],
                               "",
                               NULL,
                               HTML_PARSE_NOWARNING | HTML_PARSE_NOERROR);

//Get the node I want to output
xmlNodePtr node = ...

//Create the node buffer and fill it with the node content
xmlBufferPtr nodeBuffer = xmlBufferCreate();
htmlNodeDump(nodeBuffer, doc, node);

...

这会很好地转储节点的 HTML 内容，除了字符实体被转换为 UTF-8 字符——输入 HTML 中唯一存在的实体是引号，例如 ’ 和 ‘，我当我写出节点的 HTML 内容时希望保留。

我查看了与 HTML 解析和 HTML 树函数相关的 libxml 文档，但似乎找不到任何有关 HTML 实体的信息。我也不确定这是否是在解析或输出期间完成的。我确实尝试使用 xmlNodeGetContent() 简单地输出节点的内容，并且实体也已被相应的 UTF8 字符替换，这让我怀疑这是一个解析问题，但我不确定。

Answer 1

事实证明，问题在于 libxml 在内部使用 UTF-8（在 xmlsoft 上的 Encodings Support 中进行了解释），它将所有 HTML 字符实体转换为 UTF-8 字符，因此在输出 HTML 时会将这些保留为转换后的 UTF-8 字符。

该解决方案也在 xmlsoft 的“默认支持的编码”下的编码部分中提供：

libxml2 有一组用于以下编码的默认转换器（位于 encoding.c 中）：

1. 默认支持 UTF-8（空处理程序）
2. UTF-16，小端和大端
3. ISO-Latin-1 (ISO-8859-1) 涵盖大多数西方语言
4. ASCII，主要用于保存
5. HTML，用于将 UTF-8 转换为 ASCII 的特定处理程序，带有 HTML 预定义实体，如 ©版权标志。

还建议使用转换函数“如UTF8Toisolat1”将 libxml 函数返回的值转换为另一种编码。

解决方案是使用UTF8ToHtml() 函数转换HTML 输出，该函数将用相关的HTML 实体（例如’ 或‘）替换非ASCII 字符。这似乎使 HTML 标记 < 和 > 字符保持不变，这与我尝试使用 htmlEncodeEntities() 时不同，后者将它们替换为 < 和 >。

使用UTF8ToHtml() 时我没有解决的一件事是如何确定为输出缓冲区分配多少内存，因为用实体替换单个字符会增加 HTML 字符串的长度，所以你不能只需使用输入 HTML 的长度。我只是分配了两倍大小的输入缓冲区（我想这对于我的所有用例来说应该足够了），然后使用了实际使用的长度（通过UTF8ToHtml() 中的指针参数返回），但我不确定是否有更好的方法来做到这一点。