iOS HTML Unicode 到 NSString？

Question

我正在将 Android 应用程序移植到 iOS，但遇到了一个小障碍。我正在从网页中提取 HTML 编码数据，但某些数据以 Unicode 形式呈现以显示外来字符...因此俄语 (Лети за мной) 中的字符将被解析为 "Л ет..."

在 android 中，我可以通过调用 HTML.fromHTML() 来解决这个问题。 iOS中有类似的东西吗？

Answer 1

编写自己的 HTML 实体解码器非常容易。只需扫描字符串查找 &，阅读下面的 ;，然后解释结果。如果是“amp”、“lt”、“gt”或“quot”，请将其替换为相关字符。如果以#开头，则它是一个数字实体。如果 # 后跟“x”，则将其余部分视为十六进制，否则视为十进制。读取数字，然后将字符插入到字符串中（如果您要写入 NSMutableString，则可以使用 [strappendFormat:@"%C", thechar] .NSScanner 可以使字符串扫描变得非常容易，特别是因为它已经知道如何读取十六进制数字，所以

我刚刚创建了一个应该为您执行此操作的函数。 ，所以你应该按步骤运行它：

- (NSString *)stringByDecodingHTMLEntitiesInString:(NSString *)input {
    NSMutableString *results = [NSMutableString string];
    NSScanner *scanner = [NSScanner scannerWithString:input];
    [scanner setCharactersToBeSkipped:nil];
    while (![scanner isAtEnd]) {
        NSString *temp;
        if ([scanner scanUpToString:@"&" intoString:&temp]) {
            [results appendString:temp];
        }
        if ([scanner scanString:@"&" intoString:NULL]) {
            BOOL valid = YES;
            unsigned c = 0;
            NSUInteger savedLocation = [scanner scanLocation];
            if ([scanner scanString:@"#" intoString:NULL]) {
                // it's a numeric entity
                if ([scanner scanString:@"x" intoString:NULL]) {
                    // hexadecimal
                    unsigned int value;
                    if ([scanner scanHexInt:&value]) {
                        c = value;
                    } else {
                        valid = NO;
                    }
                } else {
                    // decimal
                    int value;
                    if ([scanner scanInt:&value] && value >= 0) {
                        c = value;
                    } else {
                        valid = NO;
                    }
                }
                if (![scanner scanString:@";" intoString:NULL]) {
                    // not ;-terminated, bail out and emit the whole entity
                    valid = NO;
                }
            } else {
                if (![scanner scanUpToString:@";" intoString:&temp]) {
                    // &; is not a valid entity
                    valid = NO;
                } else if (![scanner scanString:@";" intoString:NULL]) {
                    // there was no trailing ;
                    valid = NO;
                } else if ([temp isEqualToString:@"amp"]) {
                    c = '&';
                } else if ([temp isEqualToString:@"quot"]) {
                    c = '"';
                } else if ([temp isEqualToString:@"lt"]) {
                    c = '<';
                } else if ([temp isEqualToString:@"gt"]) {
                    c = '>';
                } else {
                    // unknown entity
                    valid = NO;
                }
            }
            if (!valid) {
                // we errored, just emit the whole thing raw
                [results appendString:[input substringWithRange:NSMakeRange(savedLocation, [scanner scanLocation]-savedLocation)]];
            } else {
                [results appendFormat:@"%C", c];
            }
        }
    }
    return results;
}

Answer 2

HTML（和 XML）中的 &#(number); 构造称为字符引用。它不是特定于 Unicode 的，除了 HTML 中的所有字符都是根据 Unicode 定义的，无论是逐字包含还是编码为字符或实体引用。 （实体引用是看起来像 é 或 & 的命名引用，如果您正在抓取 HTML 页面，您肯定必须将它们处理为好吧。）

标准库中没有用于解码字符或实体引用的函数。有关解码 HTML 文本内容的方法，请参阅此问题。如果您只有字符引用和标准 XML 实体（如 &），您可以利用 NSXMLParser 来解析 >+yourstring+，但这不会处理 HTML 特定的实体，例如 é。

一般来说，屏幕抓取最好使用适当的 HTML 解析器来完成，而不是字符串黑客。这会将所有文本内容转换为文本节点，同时转换字符和实体引用。然而，同样，标准库中没有可用的 HTML 解析器。如果目标页面是格式正确的独立 XHTML，您可以再次使用 NSXMLParser。否则，您可能想尝试 libxml2，它提供了 HTML 解析器和 XML。请参阅此问题< /a> 了解一些背景。

Answer 3

如果您从网站获取数据，您将有一个 NS(Mutable)Data 对象作为您的接收缓冲区。您只需通过以下方式将 NSData 转换为 NSString：
NSString *myString = [[NSString alloc] initWithData:myRecvData usingEncoding:NSUnicodeStringEncoding]
如果您的服务器以 Unicode 发送。如果您的服务器发送 utf-8 或其他格式，那么您还必须调整接收代码中的字符串编码。

这里是所有支持的字符串编码类型的列表

编辑：
看看这个so-thread。