如何在htmlparser2中保留HTML实体声明

2025-06-12 18:35:41作者：管翌锬

The fast & forgiving HTML and XML parser

项目地址：https://gitcode.com/gh_mirrors/ht/htmlparser2

在HTML解析和序列化过程中，实体声明（如©）的处理是一个常见需求。本文将深入探讨如何使用htmlparser2及其配套工具dom-serializer来实现实体声明的保留。

问题背景

当使用htmlparser2解析HTML文档时，默认情况下会将命名实体（如©）转换为对应的Unicode字符或十六进制表示形式（如©）。这在某些场景下可能不符合需求，特别是当需要保持原始HTML标记不变时。

解决方案

htmlparser2提供了decodeEntities选项来控制实体解码行为。要保留原始实体声明，需要同时配置解析和序列化两个阶段的选项：

解析阶段：设置decodeEntities: false来阻止实体解码
序列化阶段：设置encodeEntities: false来避免实体被重新编码

完整示例

以下代码展示了如何实现HTML文档的完整解析和序列化过程，同时保持实体声明不变：

const { parseDocument } = require('htmlparser2');
const { render } = require('dom-serializer');

const html = `<!DOCTYPE html>
<html>
<body>
<p>&copy; is the copyright symbol.</p>
</body>
</html>`;

// 解析时保留实体
const dom = parseDocument(html, { decodeEntities: false });

// 序列化时不重新编码实体
const result = render(dom, { encodeEntities: false });
console.log(html === result); // 输出true，证明实体被保留

技术原理

htmlparser2的实体处理机制基于以下设计考虑：

默认情况下会解码实体以提高处理效率
解码后的DOM树不保留原始实体信息
序列化时默认会重新编码特殊字符以确保输出有效性

这种设计在大多数场景下是合理的，因为它简化了DOM操作。但对于需要精确保留原始标记的场景，就需要通过上述选项来调整默认行为。

进阶建议

对于更复杂的实体处理需求，开发者可以考虑：

预处理HTML文档，将实体转换为特殊标记
开发自定义的序列化逻辑
使用正则表达式后处理输出结果

记住，保留实体声明会增加处理复杂度，因此应该只在确实需要保持原始标记的场景下使用这种方案。

The fast & forgiving HTML and XML parser

项目地址：https://gitcode.com/gh_mirrors/ht/htmlparser2

登录后查看全文

项目优选

收起

deepin linux kernel

OpenHarmony documentation | OpenHarmony开发者文档

Ascend Extension for PyTorch

本项目是CANN提供的数学类基础计算算子库，实现网络在NPU上加速计算。

openEuler内核是openEuler操作系统的核心，既是系统性能与稳定性的基石，也是连接处理器、设备与服务的桥梁。

flutter_flutter

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台，包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分，采用java语言实现，可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用

🎉 (RuoYi)官方仓库基于SpringBoot，Spring Security，JWT，Vue3 & Vite、Element Plus 的前后端分离权限管理系统

🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer（第 2 版）》、《程序员面试金典（第 6 版）》题解

ohos_react_native

React Native鸿蒙化仓库