C# HtmlEncode - ISO-8859-1 实体名称与数字

Question

根据以下 表格 的 ISO-8859-1 标准，似乎有一个与每个保留的 HTML 关联的实体名称和实体编号特点。

例如，对于字符 é ：

实体名称：é

实体编号：é

同样，对于字符>：

实体名称：>

实体编号：>

对于给定字符串，HttpUtility.HtmlEncode 返回 HTML 编码的字符串，但我可以'不知道它是如何工作的。我的意思是：

Console.WriteLine(HtmlEncode("é>"));
//Outputs é>

它似乎使用 é 字符的实体编号，但使用 > 字符的实体名称。

那么 HtmlEncode 方法真的符合 ISO-8859-1 标准吗？如果确实如此，是否有原因导致有时使用实体名称而有时使用实体编号？更重要的是，我可以强迫它可靠地给我实体名称吗？

编辑： 谢谢你们的回答。不过，在执行搜索之前我无法解码该字符串。无需了解太多细节，文本存储在 SharePoint 列表中，并且“搜索”由 SharePoint 本身完成（使用 CAML 查询）。所以基本上，我不能。

我正在尝试考虑一种将实体编号转换为名称的方法，.NET 中是否有函数可以做到这一点？或者还有其他想法吗？

Answer 1

该方法就是这样实现的。对于某些已知字符，它使用相应的实体，对于其他所有字符，它使用相应的十六进制值，并且您无法做太多修改此行为。摘自 System.Net.WebUtility.HtmlEncode 的实现（如使用 Reflector 所示）：

...
if (ch <= '>')
{
    switch (ch)
    {
        case '&':
        {
            output.Write("&");
            continue;
        }
        case '\'':
        {
            output.Write("'");
            continue;
        }
        case '"':
        {
            output.Write(""");
            continue;
        }
        case '<':
        {
            output.Write("<");
            continue;
        }
        case '>':
        {
            output.Write(">");
            continue;
        }
    }
    output.Write(ch);
    continue;
}
if ((ch >= '\x00a0') && (ch < 'Ā'))
{
    output.Write("&#");
    output.Write(((int) ch).ToString(NumberFormatInfo.InvariantInfo));
    output.Write(';');
}
...

这就是说您不应该关心，因为此方法将始终生成有效、安全且编码正确的 HTML。

Answer 2

HtmlEncode 遵循规范。 ISO 标准为每个实体指定了名称和编号，并且名称和编号是等效的。因此，HtmlEncode 的一致实现可以自由地将所有点编码为数字，或全部编码为名称，或两者的某种混合。

我建议您从另一个方向解决问题：对目标文本调用 HtmlDecode，然后使用原始字符串搜索解码后的文本。

Answer 3

ISO-8859-1 与 HTML 字符编码并不真正相关。来自维基百科：

数字引用始终指代
Unicode 代码点，无论
页面的编码。

仅对于未定义的 Unicode 代码点，经常使用 ISO-8859-1：

使用数字
永久引用的参考文献
未定义的字符和控制
字符是被禁止的，与
换行符、制表符和
回车符。那是，
十六进制范围内的字符
00–08、0B–0C、0E–1F、7F 和 80–9F
不能在 HTML 文档中使用，
甚至没有通过引用，所以“™”，
例如，不允许。然而，
为了向后兼容早期
HTML 作者和浏览器忽略了
这个限制，原始字符和
中的数字字符引用
80–9F 范围被一些人解释为
浏览器代表
映射到字节 80–9F 的字符
Windows-1252 编码。

现在回答您的问题：为了使搜索效果最佳，您应该使用未编码的搜索字符串来搜索未编码的 HTML（首先剥离 HTML 标签）。
匹配编码字符串将导致意外结果，例如基于 HTML 标签或注释的命中，以及由于 HTML 中在文本中不可见的差异而导致命中丢失。

Answer 4

我做了这个功能，我认为它会有所帮助

        string BasHtmlEncode(string x)
        {
           StringBuilder sb = new StringBuilder();
           foreach (char c in x.ToCharArray())
               sb.Append(String.Format("&#{0};", Convert.ToInt16(c)));
           return(sb.ToString());
        }

Answer 5

我开发了以下代码来保持 az、AZ 和 0-1 不编码而是其余：

public static string Encode(string source)
{
    if (string.IsNullOrEmpty(source)) return string.Empty;

    var sb = new StringBuilder(source.Length);
    foreach (char c in source)
    {
        if (c >= 'a' && c <= 'z')
        {
            sb.Append(c);
        }
        else if (c >= 'A' && c <= 'Z')
        {
            sb.Append(c);
        }
        else if (c >= '0' && c <= '9')
        {
            sb.Append(c);
        }
        else
        {
            sb.AppendFormat("&#{0};",Convert.ToInt32(c));
        }
    }

    return sb.ToString();
}