Haskell：从字符串中删除HTML字符实体

Question

我想处理一个包含HTML字符实体（如 等）的字符串，并将它们替换为相应的字符。我通过Twitter的API获取数据，其中文本包含这些实体。请问是否有现成的库可以实现这个功能？

谢谢您的帮助！

- Hojdra

---

您是否考虑更改已接受的答案（该答案使用了已弃用的库，可能会错过许多实体）？ - Johannes Gerer

Answer 1

我使用了 tagsoup 包中的函数构建下列函数。它可以处理来自 HTML5 标准的所有命名实体和数字实体（超过 2000 种，请参阅列表）。

import   qualified          Text.HTML.TagSoup as TS

decodeHTMLentities :: (StringLike str, Show str) => str -> str   
decodeHTMLentities s = TS.fromTagText $ head $ TS.parseTags s

StringLike 有 String、惰性和严格的 ByteString 和 Text 实例。

未知实体将保持不变。如果你想要关于未知实体的警告，请使用：

> parseTagsOptions parseOptions{optTagWarning=True} "&asdasd;"
[TagText "&asdasd;",TagWarning "Unknown entity: asdasd"] 

- Johannes Gerer

Answer 2

在hackage上，Web.Encodings包看起来很有前途（特别是decodeHtml函数）：

http://hackage.haskell.org/packages/archive/web-encodings/0.3.0.2/doc/html/Web-Encodings.html

- Orbling

---

请注意，它不支持所有的HTML实体，只支持其中的一部分 - 并且它会“吞噬”任何它不认识的实体，也就是说，它们将消失。 - Orbling

太好了，非常感谢！我可以问问你是怎么找到这个的吗？我发誓我进行了相当彻底的搜索（谷歌，Hoogle，Hackage），但都没有找到什么。 - Hojdra

我在谷歌上搜索了“haskell entity decode”，它是第二个条目。只需要知道你想要一个“实体解码器”，并且了解Haskell的包库，当然你已经知道了。 :-) - Orbling

我想重新提出这个问题，寻求一个更一般的答案，以便转义命名的HTML实体。 - vicvicvic

@HaskellElephant: 我在haskell初学者邮件列表上看到了一条消息（http://www.haskell.org/pipermail/beginners/2013-April/011759.html），询问在哪些情况下被弃用。它提到了[`Text.XML.decodeHtmlEntities`](http://hackage.haskell.org/packages/archive/xml-conduit/1.0.3.1/doc/html/Text-XML-Stream-Parse.html#t:DecodeEntities)例程，该例程是`xml-conduit`包的一部分。虽然说它并没有起作用，但是它应该可以处理基本实体的解码。 - Orbling

Answer 3

你好，请尝试下面的代码，它会正常工作

labelTR = labelTR.replace(/(?: |")/g,'');

- Shahriar

---

我建议你查一下有多少可能的实体：http://en.wikipedia.org/wiki/List_of_XML_and_HTML_character_entity_references 我认为正则表达式不是解决问题的方法。此外，你的解决方案不是用Haskell编写的。 - andsens

虽然这样可能行得通，但自己为这样的任务编写函数并不是一个好主意。一个库总是会包含更少的错误、失误等。 - Willem Van Onsem