html - 将html实体转换为c中的unicode（utf-8）字符串？

Question

可能重复：
如何在 C 中解码 HTML 实体？

这个问题与那个问题非常相似，但我需要在 C 中做同样的事情，而不是 python。以下是该函数应执行的一些示例：

input    output

&lt;     <
&gt;     >
&auml;   ä
&#x00DF; ß

该函数应具有签名 char *html2str(char *html) 或类似的签名。我不是从流中逐字节读取。

有我可以使用的库函数吗？

Answer 1

没有标准的库函数可以完成这项工作。在开源世界中必须有大量可用的实现——几乎任何必须处理 HTML 的程序都会有一个。

问题有两个方面：

1. 在源字符串中查找 HTML 实体。
2. 在其位置插入适当的替换文本。

由于最短的实体是 '&x;' （但是，AFAIK，它们都在 & 和分号之间使用至少 2 个字符），您将始终缩短字符串，因为最长的 UTF-8 字符表示是 4 个字节。因此，可以安全地进行原位编辑。

在 Kernighan 和 Pike的“编程实践”中有一个 HTML 实体解码的说明，尽管它在某种程度上是“顺便”完成的。他们使用标记器来识别实体，并使用实体名称和替换值的排序表，以便他们可以使用二进制搜索来识别替换。这仅对非算法实体名称是必需的。对于编码为“ß”的实体，您可以使用算法技术对其进行解码。

Answer 2

这听起来像是一份工作flex。当然，flex 通常是基于流的，但您可以使用 flex 函数yy_scan_string（或其亲属）来更改它。有关详细信息，请参阅flex 手册：扫描字符串。

Flex 的基本 Unicode 支持非常糟糕，但如果您不介意手动编码字节，它可能是一种解决方法。可能还有其他工具可以做你想做的事。