在如何用 Nodejs 分析一个简单页面一文中，我们爬取了博客园首页的 20 篇文章标题，输出部分拼接了一个字符串：
var$ = cheerio.load(sres.text);varans =''; $('.titlelnk').each(function(index, item){var$item = $(item); ans += $item.html() +'
'; });// 将内容呈现到页面res.send(ans);
页面呈现良好：
但是查看网页源代码，却看到这样的情景：
什么鬼？我们让问题再清晰些，试着把爬虫代码稍做修改：
var$ = cheerio.load(sres.text);varans = []; $('.titlelnk').each(function(index, item){var$item = $(item); ans.push($item.html()); });// 将内容呈现到页面res.send(ans);
这输出的是什么玩意儿？
乱码？不，是 HTML 实体编码！
HTML 实体编码
在 HTML 中，某些字符是预留的，比如不能使用小于号（<）和大于号（>），这是因为浏览器会误认为它们是标签。如果希望正确地显示预留字符，我们必须在 HTML 源代码中使用字符实体（character entities）。当然还另一个重要原因，有些字符在 ASCII 字符集中没有定义，因此需要使用字符实体来表示，比如中文。
字符实体类似这样：
&entity_name; 或者 &#entity_number;
如需显示小于号，我们必须这样写：<或<。前者（实体名）易于记忆，而后者（实体数字）在浏览器中的支持较好。
HTML 中常见的需要替换成字符实体的字符有 4 个，分别是<、>、&以及"。为此，我们可以简单写个 escapeHTML 函数（使得网页上可以正确显示这 4 个字符，而不会被误认为是标签）：
functionescapeHTML(text){varreplacements= {"<":"<",">":">","&":"&",""": """}; return text.replace(/[<>&"]/g,function(character){returnreplacements[character]; }); }
更多关于 HTML 实体编码的内容可以参考HTML 字符实体
Solution
不仅是 "<" ">" 这样的能编码，所有字符均能编码，这也是出现 "乱码" 的原因。在文章开头的例子中，其实它把该 target 标签内的所有东西（包括中文）都给编码了。
而最开始的代码（字符串输出）之所以没有 "乱码"，完全是因为浏览器自动帮你解码了。（如果存在于 HTML 代码中，会被自动解码）
知道了原因，我们可以从两个方向解决问题。
首先，我们可以不对其内容进行编码。用text()方法取代html()方法：
$('.titlelnk').each(function(index, item){var$item = $(item); ans.push($item.text()); });
很简单并且完美地解决了这个问题。
或者我们关闭 cheerio 中的.html()方法 转换实体编码的功能（2016-01-25 add）：
var$ = cheerio.load(sres.text, {decodeEntities:false}); $('.titlelnk').each(function(index, item){var$item = $(item);console.log($item.html()); });
如果说不能从编码的角度解决，我们可以试着解码。
方法一：
创建空标签，将编码内容用 html() 方法塞入，用 text() 取出，转换过程让第三方完成（当然前提是获取了 $ 对象）：
functionhtmlDecode(str){vart = $("
"); t.html(str);returnt.text(); }var$ = cheerio.load(sres.text);varans = []; $('.titlelnk').each(function(index, item){var$item = $(item); ans.push(htmlDecode($item.html())); });// 将内容呈现到页面res.send(ans);方法二：
根据编码转换规则，用正则 decode：
functionhtmlDecode(str){// 一般可以先转换为标准 unicode 格式（有需要就添加：当返回的数据呈现太多\\\u 之类的时）str =unescape(str.replace(/\\u/g,"%u"));// 再对实体符进行转义// 有 x 则表示是16进制，$1 就是匹配是否有 x，$2 就是匹配出的第二个括号捕获到的内容，将 $2 以对应进制表示转换str = str.replace(/&#(x)?(\w+);/g,function($, $1, $2){returnString.fromCharCode(parseInt($2, $1?16:10)); });returnstr; }var$ = cheerio.load(sres.text);varans = []; $('.titlelnk').each(function(index, item){var$item = $(item); ans.push(htmlDecode($item.html())); });// 将内容呈现到页面res.send(ans);
Encode & Decode
事情到此似乎可以告一段落，我们找到了问题的原因，也找到了解决办法。但是，HTML 实体编码，它到底是如何编码的？
我们任意取一条标题：
前端备忘录 — IE 的条件注释
编码后为：
前端备忘录 —IE的条件注释
中文的编码结果开头都是 &#x。试着用charCodeAt()取得 "前" 字的 unicode 编码大小，然后将它转成 16 进制，正是 524d ！看来和escape()相似，又是一次十六进制的转换。
但是英文却没有被转，这点和 escape() 也神似。唯一不同的是 escape 会将空格转为%20，而 HTML 编码并没有。
而且 HTML 编码甚至会将 自动编码成 ，这也就意味着如果要手写个 HTML 编码函数，需要将所有字符实体的映射都找出来，而且对于 &XXXX 形式的，似乎还要作个校验（确认是实体集还是普通的字符串）。
而 HTML 解码则相对来说简单写，只需将 &#xXXX 进行转换，详细代码可以参考 Solution 一节的正则。
事实上，HTML 编码并不一定要转成十六进制，十进制也可以。还是以 "前" 为例，它的十进制 unicode 码为 21069，完全可以用前来代替前。
最后还有两个客户端的编码、解码函数：
functionHtmlEncode(str){vart =document.createElement("div"); t.textContent ? t.textContent = str : t.innerText = str;returnt.innerHTML; }functionHtmlDecode(str){vart =document.createElement("div"); t.innerHTML = str;returnt.textContent || t.innerText; }
真的是吃一堑长一智，以后碰到 "&#x" 开头的一些编码，十有八九是 HTML 的实体编码，再也不用担心了！
网友评论