阅读量:0
0 ， 、⭧……是什么鬼？
最近，要将一些网页内容复制到<textarea>文本框中作进一步处理，发现有些网页内容中包含，或⭧之类的标记，会被原样复制到<textarea>文本框中。
如果将这些网页内容直接使用document.write()输出，那么，之类的标记会自动显示为对应的字符。
这是怎么回事呢？
1 Numeric Character Reference（NCR）简介
在网上查了一下，，或⭧之类的是一种叫做 Numeric Character Reference（NCR）的标记结构。
1.1 Wikipedia（维基百科）上的解释
Wikipedia（维基百科）上的解释是：
A numeric character reference (NCR) is a common markup construct used in SGML and other SGML-based markup languages such as HTML and XML. It consists of a short sequence of characters that, in turn, represent a single character from the Universal Character Set (UCS) of Unicode. NCRs are typically used in order to represent characters that are not directly encodable in a particular document. When the document is interpreted by a markup-aware reader, each NCR is treated as if it were the character it represents.
bing的翻译如下：
数字字符引用 （NCR） 是 SGML 和其他基于 SGML 的标记语言（如 HTML 和 XML）中使用的常见标记结构。它由一小段字符组成，这些字符又表示 Unicode 通用字符集 （UCS） 中的单个字符。NCR 通常用于表示在特定文档中无法直接编码的字符。当文档由标记感知阅读器解释时，每个 NCR 都被视为它所代表的字符。
1.2 NCR标记的结构
NCR标记由三个部分组成：
| 1 | 2 | 3 |
| &# | 字符的Unicode编码值（可以是10或16进制） | ; |
NCR标记以&#开头, 后面跟着字符的Unicode编码值，最后以一个半角分号结束。
其中字符的Unicode编码值可以使用10进制或16进制，其中16进制值以要x开头。如：
| 字符 | NCR（10进制） | NCR（16进制） |
| 程 | 程 | 程 |
| 序 | e8f; | 序 |
| 员 | 员 | 员 |
2 JavaScript编程进行NCR转换
2.1 常规思路
1.定义一个数组保存NCR第1部分的字符串：var aNCR = ['&#x','&#'];
2.使用String对象的.indexOf()方法搜索aNCR中的数组元素
3.搜索到aNCR中的数组元素，使用String对象的fromCharCode()方法获取对应的字符
4.继续2，直到不再发现NCR中的数组元素
程序流程图如下：
2.2 编写函数tranNCR()
//功能：将字符串中的所有NCR转换为对应字符 //输入：s=字符串 //输出：转换后的字符串 //日志：20240710创建 function tranNCR(s) { var aNCR = ['&#x','&#']; var s0 = s; var i, j ,k; for (k = 0 ; k < aNCR.length; k++) { i = s0.indexOf(aNCR[k]); while (-1 != i) { j = s0.substring(0).indexOf(';'); if (-1 == j) //未发现结束符‘;’ { return s0; } //document.write('<p>',s0.substring(i+aNCR[k].length-1, j)) // 对于16进制的#&xhhhh;，我们要截取出xhhhh，并在前面加上'0‘； // 对于10进制的#&dddd，我们要截取出dddd s0 = s0.substring(0,i) + String.fromCharCode(k==0 ? ('0'+ s0.substring(i+aNCR[k].length-1, j)) : s0.substring(i+aNCR[k].length, j)) + s0.substring(j+1); i = s0.indexOf(aNCR[k]); } // while(i) } // for(k) return s0; }2.3 演示代码
<!DOCTYPE html> <html> <head> <meta name="author" content="PurpleEndurer"> <title>将字符串中的所有NCR转换为对应字符</title> </head> <body> <p>转换后的结果：</p> <textarea id="taTarget" cols="80" rows="15"></textarea> <script> //功能：将字符串中的所有NCR转换为对应字符 //输入：s=字符串 //输出：转换后的字符串 //日志：20240710创建 function tranNCR(s) { var aNCR = ['&#x','&#']; var s0 = s; var i, j ,k; for (k = 0 ; k < aNCR.length; k++) { i = s0.indexOf(aNCR[k]); while (-1 != i) { j = s0.substring(0).indexOf(';'); if (-1 == j) //未发现结束符‘;’ { return s0; } //document.write('<p>', s0.substring(i+aNCR[k].length-1, j)) // 对于16进制的#&xhhhh;，我们要截取出xhhhh，并在前面加上'0‘ // 对于10进制的#&dddd，我们要截取出dddd s0 = s0.substring(0,i) + String.fromCharCode(k==0 ? ('0'+ s0.substring(i+aNCR[k].length-1, j)) : s0.substring(i+aNCR[k].length, j)) + s0.substring(j+1); i = s0.indexOf(aNCR[k]); } // while(i) } // for(k) return s0; } s = '我们是程 序 员~~'; var taTarget = document.getElementById("taTarget"); taTarget.value = tranNCR(s); document.write('<p>正确结果：',s); </script> </body> </html>程序运行结果如下：
2.4 用正则表达式实现
对于熟悉正则表述式的高手来说，用正则表达式实现可以代码更简捷。
在网上搜索到了网友Joebon用正则表达式来实现转换的演示代码（见参考2）：
var regex_num_set = /&#(\d+);/g; var str = "Here is some text: 每日一色|蓝白~" str = str.replace(regex_num_set, function(_, $1) { return String.fromCharCode($1); }); document.write('<pre>'+JSON.stringify(str,0,3));代码运行结果：
其思路是用String.prototype.replace() 和方法 将字符串中的 NCR 字符逐个获取到 ""和";"间的 Unicode 字符编码值, 然后利用 String.fromCharCode() 方法, 将 Unicode 编码转为对应的字符。
3 参考资料
1. Numeric character reference - Wikipedia, the free encyclopedia (zubiaga.org)
2.javascript - 将 NCR（Numeric Character Reference） 字符转换为真实字符的方法 - Joebon的前端世界 - SegmentFault 思否
