Κωδικοποιητής / αποκωδικοποιητής οντοτήτων HTML

Μια οντότητα HTML είναι μια σύντομη ακολουθία κειμένου που αντιπροσωπεύει έναν χαρακτήρα στον πηγαίο κώδικα HTML. Οι οντότητες χρησιμοποιούνται όταν ένας χαρακτήρας θα ήταν αμφίσημος ή μη έγκυρος σε ακατέργαστη HTML – για παράδειγμα, τα `<` και `>` οριοθετούν ετικέτες HTML, οπότε ένα κυριολεκτικό `<` στο περιεχόμενο πρέπει να γραφεί ως `&lt;` ώστε ο περιηγητής να μην το ερμηνεύσει ως αρχή ετικέτας.

Οι οντότητες HTML υπάρχουν σε δύο μορφές. Οι ονομαστές οντότητες χρησιμοποιούν ένα αναγνώσιμο όνομα μετά το `&` και πριν το `;`, για παράδειγμα `&amp;` για το σύμβολο &, `&copy;` για το σύμβολο πνευματικής ιδιοκτησίας ή `&mdash;` για παύλα. Οι αριθμητικές οντότητες χρησιμοποιούν έναν δεκαδικό ή δεκαεξαδικό κωδικό Unicode – τα `&#169;` και `&#xA9;` δίνουν και τα δύο το σύμβολο © πνευματικής ιδιοκτησίας.

Οι πέντε δεσμευμένοι χαρακτήρες HTML που κάθε προγραμματιστής πρέπει να γνωρίζει:

• `&amp;` – το σύμβολο & (ampersand)
• `&lt;` – το σύμβολο μικρότερο `<`
• `&gt;` – το σύμβολο μεγαλύτερο `>`
• `&quot;` – τα διπλά εισαγωγικά `"`
• `&#39;` – η απόστροφος / μονά εισαγωγικά `'`

Πέρα από αυτούς τους πέντε, η HTML ορίζει ονομαστές οντότητες για εκατοντάδες άλλους χαρακτήρες: γράμματα με τόνους (`&eacute;` = e με οξεία), ανύπαρκτα κενά (`&nbsp;`), τυπογραφικά σημεία στίξης (`&mdash;` = παύλα, `&ldquo;` και `&rdquo;` = τυπογραφικά εισαγωγικά), σύμβολα νομισμάτων (`&euro;` = σύμβολο ευρώ), μαθηματικά σύμβολα και ελληνικά γράμματα.

Κωδικοποιήστε οντότητες HTML κάθε φορά που εισάγετε απλό κείμενο σε ένα έγγραφο HTML και αυτό το κείμενο μπορεί να περιέχει χαρακτήρες που η HTML δεσμεύει. Οι πιο συνηθισμένες περιπτώσεις:

• Επικόλληση περιεχομένου χρήστη ή κειμένου blog σε ένα CMS ή πρότυπο που αποθηκεύει ακατέργαστη HTML.
• Ενσωμάτωση παραδειγμάτων κώδικα σε αναρτήσεις blog ή σελίδες τεκμηρίωσης – ένα τμήμα όπως `<strong>έντονο</strong>` πρέπει να κωδικοποιηθεί ως `&lt;strong&gt;έντονο&lt;/strong&gt;` για να το αποδώσει ο περιηγητής ως ορατό κείμενο.
• Κατασκευή payloads JSON ενσωματωμένων σε ετικέτες HTML `<script>` όπου τα `<`, `>` και `&` μπορούν να καταστρέψουν τη γύρω δομή HTML.
• Αποθήκευση τιμών χαρακτηριστικών που μπορεί να περιέχουν διπλά εισαγωγικά, για να μην σπάσουν τα γύρω οριοθετικά `""`.
• Κωδικοποίηση ειδικών χαρακτήρων για πρότυπα HTML email.

Χρησιμοποιήστε τη βασική λειτουργία όταν χρειάζεται να κάνετε escape μόνο τους πέντε δεσμευμένους χαρακτήρες. Χρησιμοποιήστε την εκτεταμένη λειτουργία για μέγιστη συμβατότητα HTML ή για παλαιά συστήματα που υποστηρίζουν μόνο ASCII.

Αποκωδικοποιήστε οντότητες HTML όταν λαμβάνετε κείμενο που έχει ήδη εκφύγει και χρειάζεται να διαβάσετε, επεξεργαστείτε ή εμφανίσετε τους αρχικούς χαρακτήρες. Στους όρους αναζήτησης αυτό συχνά καλείται HTML decode, HTML unescape ή μετατροπή κωδικοποιημένου κειμένου HTML σε κανονικό κείμενο. Συνηθισμένες περιπτώσεις:

• Απαντήσεις API των οποίων τα πεδία συμβολοσειράς περιέχουν κείμενο HTML με εκφυγές – για παράδειγμα `Tom &amp; Jerry` ενώ αναμενόταν `Tom & Jerry`. Σε αυτή την περίπτωση χρειάζεται να μετατρέψετε οντότητες HTML σε κείμενο.
• Διόρθωση διπλά κωδικοποιημένου περιεχομένου CMS που παράγει συμβολοσειρές όπως `&amp;lt;` αντί για `&lt;` ή `<`.
• Ανάγνωση εγγραφών ροής RSS ή Atom των οποίων το κείμενο είναι συνήθως κωδικοποιημένο σε HTML.
• Έλεγχος γραμμών αρχείων καταγραφής που περιέχουν παραμέτρους ερωτήματος ή μηνύματα σφάλματος με εκφυγές HTML.
• Αντιγραφή ορατού κειμένου από ένα αρχείο HTML πηγαίου κώδικα όπου το περιεχόμενο αποθηκεύεται ως οντότητες.

Αυτό το εργαλείο αποκωδικοποιεί τόσο ονομαστές οντότητες (`&amp;`, `&copy;`, `&mdash;`, `&nbsp;` και εκατοντάδες άλλες) όσο και αριθμητικές οντότητες σε δεκαδική (`&#169;`) και δεκαεξαδική (`&#xA9;`) σημειογραφία.

Αυτός ο κωδικοποιητής προσφέρει δύο επίπεδα λεπτομέρειας κωδικοποίησης.

Η βασική λειτουργία κωδικοποιεί μόνο τους πέντε δεσμευμένους χαρακτήρες HTML: το `&` γίνεται `&amp;`, το `<` γίνεται `&lt;`, το `>` γίνεται `&gt;`, το `"` γίνεται `&quot;`, το `'` γίνεται `&#39;`. Όλοι οι άλλοι χαρακτήρες – γράμματα με τόνους όπως `é` και `ü`, σύμβολα όπως `©` και `—`, emoji όπως 😀 – μεταφέρονται αναλλοίωτα. Χρησιμοποιήστε τη βασική λειτουργία όταν το περιβάλλον στόχος υποστηρίζει εγγενώς Unicode.

Η εκτεταμένη λειτουργία κωδικοποιεί τους ίδιους πέντε δεσμευμένους χαρακτήρες και επιπλέον μετατρέπει κάθε χαρακτήρα εκτός ASCII σε δεκαδική αριθμητική οντότητα. Για παράδειγμα, το `é` γίνεται `&#233;`, το `©` γίνεται `&#169;`, το `—` γίνεται `&#8212;` και το 😀 γίνεται `&#128512;`. Χρησιμοποιήστε την εκτεταμένη λειτουργία όταν χρειάζεστε καθαρή έξοδο ASCII ή για παλαιά συστήματα.

Οι προγραμματιστές μερικές φορές αναζητούν την ίδια εργασία με όρους όπως htmlDecode, htmlEncode, HTML escape, HTML unescape, κωδικοποίηση HTML ή αποκωδικοποίηση HTML. Η διατύπωση διαφέρει, αλλά ο στόχος είναι ο ίδιος: ασφαλής μετατροπή μεταξύ αναγνώσιμων χαρακτήρων και της αναπαράστασής τους ως οντότητες HTML.

Παράδειγμα μετατροπής πάνω-κάτω σε βασική λειτουργία:

• Είσοδος: `Café & © 😀`
• Κωδικοποιημένο (βασική): `Café &amp; © 😀`
• Αποκωδικοποιημένο: `Café & © 😀`

Παράδειγμα μετατροπής πάνω-κάτω σε εκτεταμένη λειτουργία:

• Είσοδος: `Café & © 😀`
• Κωδικοποιημένο (εκτεταμένη): `Caf&#233; &amp; &#169; &#128512;`
• Αποκωδικοποιημένο: `Café & © 😀`

Η κωδικοποίηση οντοτήτων HTML και η κωδικοποίηση URL είναι δύο εντελώς διαφορετικοί μηχανισμοί με διαφορετικούς σκοπούς και διαφορετικές εξόδους – αν και αμφότεροι μετασχηματίζουν ειδικούς χαρακτήρες σε μια εναλλακτική αναπαράσταση.

Η κωδικοποίηση οντοτήτων HTML είναι για έγγραφα HTML. Αντικαθιστά χαρακτήρες με ειδική σημασία στη σήμανση HTML με ακολουθίες οντοτήτων που ο αναλυτής HTML τις χειρίζεται ως περιεχόμενο κειμένου. Το αποτέλεσμα εξακολουθεί να είναι αναγνώσιμο κείμενο – το `&amp;` εμφανίζεται ως `&` σε έναν περιηγητή.

Η κωδικοποίηση URL (κωδικοποίηση ποσοστού) είναι για URLs. Αντικαθιστά χαρακτήρες που είναι ανασφαλείς ή δεσμευμένοι σε ένα URL με ακολουθίες byte κωδικοποιημένες ως ποσοστό. Ένα κενό γίνεται `%20`, ένα & γίνεται `%26`, ένα `<` γίνεται `%3C`.

Σύγκριση των ίδιων χαρακτήρων στα δύο συστήματα:

• `&` – HTML: `&amp;`, URL: `%26`
• `<` – HTML: `&lt;`, URL: `%3C`
• `>` – HTML: `&gt;`, URL: `%3E`
• `"` – HTML: `&quot;`, URL: `%22`
• `'` – HTML: `&#39;`, URL: `%27`

Αν επικολλήσετε κωδικοποιημένο κείμενο HTML σε έναν κωδικοποιητή URL, αυτός θα κωδικοποιήσει τους ίδιους τους χαρακτήρες οντότητας (`&`, `;`, `#`), κάτι που σχεδόν ποτέ δεν είναι το επιθυμητό. Χρησιμοποιήστε αυτή τη σελίδα για αποκωδικοποίηση οντοτήτων HTML, κωδικοποίηση οντοτήτων HTML και μετατροπή κωδικοποιημένου κειμένου HTML σε αναγνώσιμο κείμενο.

Η κωδικοποίηση οντοτήτων HTML (αυτό το εργαλείο) μετατρέπει χαρακτήρες στα ισοδύναμα οντοτήτων HTML και αντιστρέφει αυτή τη διαδικασία. Δεν προσθέτει, δεν αφαιρεί και δεν αναδιαρθρώνει κανένα στοιχείο HTML. Η δομή του εγγράφου διατηρείται· μόνο η αναπαράσταση των ειδικών χαρακτήρων αλλάζει.

Ο καθαρισμός HTML είναι μια διαφορετική λειτουργία που αφαιρεί ή ξαναγράφει τη σήμανση HTML – διαγράφοντας ανεπιθύμητες ετικέτες, κανονικοποιώντας χαρακτηριστικά ή απολυμαίνοντας δυνητικά επικίνδυνο περιεχόμενο. Μια συνάρτηση καθαρισμού θα μπορούσε να μετατρέψει `<b onclick="...">έντονο</b>` σε `<b>έντονο</b>` ή απλά `έντονο`.

Αυτό το εργαλείο δεν καθαρίζει HTML. Αν επικολλήσετε ακατέργαστη HTML στον κωδικοποιητή, θα κωδικοποιήσει τις γωνιακές παρενθέσεις και άλλους δεσμευμένους χαρακτήρες στη σήμανση, μετατρέποντας `<p>Γεια</p>` σε `&lt;p&gt;Γεια&lt;/p&gt;`. Δεν επιθεωρεί, δεν αφαιρεί και δεν αναδιαρθρώνει κανένα στοιχείο.

Ομοίως, αυτό το εργαλείο δεν είναι καθαριστής κειμένου. Δεν αφαιρεί περιττά κενά, δεν αφαιρεί τόνους και δεν κανονικοποιεί αλλαγές γραμμής. Μοναδική του αποστολή είναι η κωδικοποίηση και αποκωδικοποίηση οντοτήτων HTML.