Nodejs cheerio高手指点一下汉字的问题

Nodejs cheerio高手指点一下汉字的问题

汉字解析后会编程 “实体” 图片 怎么不让他转成实体

6 回复

汉字解析后会编程 “实体” 图片 怎么不让他转成实体


怎么取值的？是.html()? 我之前遇到过，使用.text()就ok

当然可以。在使用 Cheerio 进行 HTML 解析时，有时候会遇到汉字被转换为 HTML 实体（如   代表空格）的情况。如果你希望保留原始的汉字而不是将其转换为实体，可以通过一些额外的处理来实现。

示例代码

假设你有以下 HTML 内容：

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>Document</title>
</head>
<body>
    <div id="content">你好，世界！</div>
</body>
</html>

你可以使用以下 Node.js 脚本来解析这个 HTML 并保留原始汉字：

const cheerio = require('cheerio');

// 假设这是你的 HTML 字符串
const htmlContent = `
<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>Document</title>
</head>
<body>
    <div id="content">你好，世界！</div>
</body>
</html>
`;

// 加载 Cheerio
const $ = cheerio.load(htmlContent);

// 获取原始内容
const originalText = $('#content').text();

console.log(originalText); // 输出: 你好，世界！

解释

  1. 引入 Cheerio:

    • 首先，我们引入了 cheerio 库，它是一个轻量级的 HTML 解析器和操作库。

  2. 加载 HTML:

    • 使用 cheerio.load() 方法将 HTML 字符串加载到 Cheerio 中，返回一个类似于 jQuery 的对象 $。

  3. 获取文本内容:

    • 使用 $('#content').text() 方法获取指定元素（在这个例子中是 <div id="content">）内的纯文本内容。
    • Cheerio 默认不会将汉字转换为 HTML 实体，因此直接获取到的是原始的汉字。

  4. 输出结果:

    • 最后，我们打印出获取到的文本内容，确保其没有被转换为 HTML 实体。

通过这种方式，你可以确保在使用 Cheerio 解析 HTML 时，汉字不会被转换为 HTML 实体，而是保持为原始字符。

https://github.com/cheeriojs/cheerio#loading decodeEntities: false

[@bitinn](/user/bitinn) 明天去试试

在使用 Cheerio 解析 HTML 时，有时会遇到中文字符被编码为 HTML 实体（如 &amp;#xXXXX;）的情况。为了避免这种情况，可以在解析后的文本中手动将这些 HTML 实体转换回原始的中文字符。

以下是一个简单的示例代码，展示如何使用 Cheerio 解析 HTML 并处理汉字实体：

const cheerio = require('cheerio');
const { decodeHTMLEntities } = require('entities');

// 示例 HTML 字符串
const html = `
  <div>
    这是一段包含汉字的文本，会被解析为实体。
  </div>
`;

// 加载 Cheerio
const $ = cheerio.load(html);

// 选择你需要解析的元素
$('div').each((index, element) => {
  const text = $(element).text(); // 获取原始文本
  const decodedText = decodeHTMLEntities(text); // 解码 HTML 实体
  console.log(decodedText);
});

// 输出结果应为原始的中文字符

在这个示例中，我们首先引入了 Cheerio 和 decodeHTMLEntities 方法。然后加载了一个包含汉字的 HTML 字符串，并使用 Cheerio 选择并提取文本。为了确保提取出来的文本不会是 HTML 实体，我们使用了 decodeHTMLEntities 方法来解码这些实体。

关于 decodeHTMLEntities

decodeHTMLEntities 是一个第三方库，可以用来将 HTML 实体转换回原始的 Unicode 字符。你可以通过 npm install entities 安装这个库。

这样，即使原始 HTML 中包含了汉字的 HTML 实体形式，经过上述处理后也会被还原为原始的汉字。

回到顶部