java - 使用 HTML 实体转义字符串时，如果我使用 UTF-8，是否可以安全地跳过 Unicode 127 以上的编码字符？

Question

当以 HTML 格式输出字符串时，出于可以理解的原因，必须将特殊字符转义为 HTML 实体(“&<>”等)。

我检查了这两个 Java 实现: org.apache.commons.lang.StringEscapeUtils.escapeHtml(字符串) net.htmlparser.jericho.CharacterReference.encode(字符序列)

两者都对 Unicode 代码点 127 (0x7F) 以上的所有字符进行转义，这实际上是所有非英语字符。

这种行为很好，但是当字符不是英语(例如，希伯来语或阿拉伯语)时，它生成的字符串是非人类可读的。我已经看到，当 Unicode 127 以上的字符没有像这样转义时，它们仍然可以在浏览器中正确呈现 - 我相信这是因为 html 页面是 UTF-8 编码的，因此浏览器可以理解这些字符。

我的问题:如果我的网页是 UTF-8 编码的，那么在转义 HTML 实体时，我能否安全地禁用代码点 127 以上的转义 Unicode 字符？

Answer 1

您只需要在两种情况下使用 HTML 实体:

• 转义在 HTML 中具有特殊含义的字符(例如 < )
• 显示不属于文档编码的字符(例如，ISO-8859-1 文档中的 € 符号)

鉴于 UTF-8 可以表示所有 Unicode 字符，因此仅适用第一种情况。

当手动输入 HTML 时，如果您的编辑器和/或键盘不允许您输入特定字符，您可能会发现不时插入 HTML 实体很实用(只输入 © 比试图找出更容易如何键入实际的 ©) 但当自动转义文本时，您只会使页面变大 ;-)

我对 Java 知之甚少，但其他语言有不同的函数来编码特殊字符和所有可能的实体。