NCR 是什么
一直以来,对爬虫抓取的某些内容感到很费解,比如形似 中国
的字符串,最初以为是经过编码的 unicode 字符,但是尝试了各种手段都无法解开。最近开始关注起这个问题,机缘巧合在知乎上搜到了一个回答,原来这些是叫做 numeric character reference (NCR) 的转义序列,在这里记录一下,权作备忘。
以下一段引用自知乎梁海的回答:
形如 ——
&#dddd;
&#xhhhh;
&#name;
—— 的一串字符是 HTML、XML 等 SGML 类语言的转义序列(escape sequence)。它们不是「编码」。
以 HTML 为例,这三种转义序列都称作 character reference:
前两种是 numeric character reference(NCR),数字取值为目标字符的 Unicode code point;以「&#」开头的后接十进制数字,以「&#x」开头的后接十六进制数字。 后一种是 character entity reference,后接预先定义的 entity 名称,而 entity 声明了自身指代的字符。
从 HTML 4 开始,NCR 以 Unicode 为准,与文档编码无关。
「中国」二字分别是 Unicode 字符 U+4E2D 和 U+56FD,十六进制表示的 code point 数值「4E2D」和「56FD」就是十进制的「20013」和「22269」。所以 ——
中国
中国
—— 这两种 NCR 写法都会在显示时转换为「中国」二字。
至于怎么去 encode/decode
这些字符,在网上找到了一个简单的 Javascript
版本:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 |
|
由于上面的方案是以修改 String 原型来实现的(一般不认为这是一个好做法),使用的时候可以改成两个方法。
而另一种更 robust 的方案则是使用第三方库,例如 he
模块,轻松实现对很多转义序列的支持。