HTML数字实体解码后字符不对?先查码点,别只换字体
把 😀 放进解码工具,结果没有出现预期表情,首先应该确认得到的码点,而不是马上换一种字体。外观相近、显示成方框和实际字符被转换成其他码点,是不同的问题。
本文在HTML实体编码解码中测试十进制、十六进制和异常数字引用。当前结果存在使用边界:补充平面字符及异常码点的处理,与浏览器原生HTML解析并不一致,因此不把这个入口当成完整HTML解析器。
十进制和十六进制都能表示字符
切换到“HTML 解码”,输入:
A A 中 😀

A 用十进制表示,A 用十六进制表示,它们的目标都是A;中 对应“中”。这三项本次符合预期。最后一项的目标是码点U+1F600,但本次工具实际输出为U+F600,已经不是同一个字符。
U+F600属于基本多文种平面内的私用区,屏幕可能显示方框、空白或某种自定义字形。无论字体怎样渲染,它都不能因此变成U+1F600。只有前几项成功,也不足以证明所有数字实体都能正确还原。
核对时,可以用程序遍历输出字符并读取 codePointAt(0)。对于补充平面字符,不要只看一个UTF-16代码单元的数值,也不要只按文本框里的小方框判断源数据是否丢失。
异常数字引用不能照普通整数处理
第二组输入:
� � � €

本次四项实际码点依次为U+0000、U+D800、U+0000、U+0080。它们与浏览器原生HTML字符引用的恢复规则不同。其中U+D800是孤立代理代码单元,U+110000则超出Unicode码点范围,不能把这些数字按任意普通字符理解。
我们另用Chrome自身的HTML解析对同一组字符串做独立核对:前三项得到替换字符U+FFFD,最后的0x80按HTML兼容规则得到U+20AC。这里强调的是HTML解析规则,不是说UTF-8中的80字节本身代表欧元符号。
这类结果不适合通过肉眼复制后继续传递。不可见的NUL或孤立代理值可能在后续序列化、编码、保存时再次变化。应回到原始引用,确认输入是否有效,以及业务到底要求哪一种解析规则。
命名实体也有支持范围
第三组把命名实体与数字形式放在一起:
< < < © &NotARealEntity;

本次前三项都变成小于号,© 仍保持这段文字,虚构的 &NotARealEntity; 也没有变化。© 是已有的HTML命名字符引用,但当前入口没有在这组实测中展开它;不能由这个结果判断该名字在HTML里不存在。
对于不存在的名字,保留原文与报错或替换也是不同处理策略。只要接口要完整处理HTML文本,就不应把一组有限字符串替换当作全部解析规则。

上图的工具列来自前三次保存的真实输出,原生列来自独立的Chrome解析,均逐字符转为码点后展示。它是对照记录,不是给工具增加了一个并不存在的“码点检测”功能。
简单的尖括号、引号等常见实体转换,可以参照HTML实体基础操作核对。遇到表情、异常数字引用或完整命名实体表时,应采用满足目标规则的解析器,并在最终落地页面检查结果;不要以“解码框里出现了某个字形”作为转换准确的唯一证据。