Codor / decodor de entități HTML

O entitate HTML este o scurtă secvență de text care reprezintă un caracter în codul sursă HTML. Entitățile sunt folosite când un caracter ar fi ambiguu sau invalid în HTML brut – de exemplu, `<` și `>` delimitează etichetele HTML, astfel că un `<` literal în conținut trebuie scris ca `&lt;` pentru ca browserul să nu îl interpreteze ca începutul unui tag.

Entitățile HTML există în două forme. Entitățile cu nume folosesc un nume lizibil după `&` și înainte de `;`, de exemplu `&amp;` pentru ampersand, `&copy;` pentru simbolul copyright, sau `&mdash;` pentru linia de pauză. Entitățile numerice folosesc un punct de cod Unicode zecimal sau hexazecimal – `&#169;` și `&#xA9;` produc ambele simbolul copyright ©.

Cele cinci caractere HTML rezervate pe care orice dezvoltator ar trebui să le cunoască:

• `&amp;` – ampersand-ul `&`
• `&lt;` – semnul mai mic `<`
• `&gt;` – semnul mai mare `>`
• `&quot;` – ghilimele duble `"`
• `&#39;` – apostroful / ghilimelele simple `'`

Dincolo de aceste cinci, HTML definește entități cu nume pentru sute de alte caractere: litere accentuate (`&eacute;` = e cu accent acut), spații non-separabile (`&nbsp;`), semne de punctuație tipografice (`&mdash;` = linie de pauză, `&ldquo;` și `&rdquo;` = ghilimele tipografice), simboluri monetare (`&euro;` = semnul euro), simboluri matematice și litere grecești.

Codează entități HTML ori de câte ori inserezi text simplu într-un document HTML și acel text poate conține caractere rezervate de HTML. Cele mai frecvente situații:

• Lipirea conținutului generat de utilizatori sau a textului de blog într-un CMS sau șablon care stochează HTML brut.
• Includerea de exemple de cod în postări de blog sau pagini de documentație – un fragment precum `<strong>bold</strong>` trebuie codat ca `&lt;strong&gt;bold&lt;/strong&gt;` pentru ca browserul să îl afișeze ca text vizibil.
• Construirea de payload-uri JSON incluse în etichete HTML `<script>` unde `<`, `>` și `&` pot strica structura HTML înconjurătoare.
• Stocarea valorilor de atribut care pot conține ghilimele duble, pentru a nu rupe delimitatorii `"..."` înconjurători.
• Codarea caracterelor speciale pentru șabloane HTML de email.

Folosește modul de bază când trebuie să faci escaping doar pentru cele cinci caractere rezervate. Folosește modul extins pentru compatibilitate maximă cu HTML sau pentru sisteme vechi care suportă numai ASCII.

Decodează entități HTML când primești text deja scăpat și ai nevoie să citești, procesezi sau afișezi caracterele originale. În termeni de căutare, aceasta este adesea numită HTML decode, HTML unescape sau conversia textului HTML codificat în text normal. Situații comune:

• Răspunsuri API ale căror câmpuri de șiruri conțin text cu escaping HTML – de exemplu `Tom &amp; Jerry` când te așteptai la `Tom & Jerry`. În acest caz trebuie să convertești entitățile HTML în text.
• Corectarea conținutului dublu codificat de un CMS, producând șiruri ca `&amp;lt;` în loc de `&lt;` sau `<`.
• Citirea intrărilor de flux RSS sau Atom al căror conținut text este de obicei HTML-codificat.
• Inspectarea liniilor de jurnal care conțin parametri de interogare sau mesaje de eroare cu escaping HTML.
• Copierea textului vizibil dintr-un fișier sursă HTML unde conținutul este stocat ca entități.

Acest instrument decodează atât entități cu nume (`&amp;`, `&copy;`, `&mdash;`, `&nbsp;` și sute de altele) cât și entități numerice în notație zecimală (`&#169;`) și hexazecimală (`&#xA9;`).

Acest codor oferă două niveluri de detaliu al codării.

Modul de bază codează doar cele cinci caractere HTML rezervate: `&` devine `&amp;`, `<` devine `&lt;`, `>` devine `&gt;`, `"` devine `&quot;`, `'` devine `&#39;`. Toate celelalte caractere – litere accentuate ca `é` și `ü`, simboluri ca `©` și `—`, emoji ca 😀 – sunt transmise neschimbate. Folosește modul de bază când mediul tău țintă suportă Unicode în mod nativ.

Modul extins codează aceleași cinci caractere rezervate și convertește în plus fiecare caracter non-ASCII într-o entitate numerică zecimală. De exemplu, `é` devine `&#233;`, `©` devine `&#169;`, `—` devine `&#8212;` și 😀 devine `&#128512;`. Folosește modul extins când ai nevoie de output ASCII pur sau pentru sisteme vechi.

Dezvoltatorii caută uneori aceeași sarcină cu termeni ca htmlDecode, htmlEncode, HTML escape, HTML unescape, codare HTML sau decodare HTML. Formularea variază, dar scopul este același: convertire sigură între caractere lizibile și reprezentarea lor ca entități HTML.

Exemplu dus-întors în modul de bază:

• Intrare: `Café & © 😀`
• Codat (de bază): `Café &amp; © 😀`
• Decodat: `Café & © 😀`

Exemplu dus-întors în modul extins:

• Intrare: `Café & © 😀`
• Codat (extins): `Caf&#233; &amp; &#169; &#128512;`
• Decodat: `Café & © 😀`

Codarea entităților HTML și codarea URL sunt două mecanisme complet diferite cu scopuri diferite și outputuri diferite – chiar dacă ambele transformă caractere speciale într-o reprezentare alternativă.

Codarea entităților HTML este pentru documentele HTML. Înlocuiește caracterele cu semnificație specială în marcajul HTML cu secvențe de entități pe care parserul HTML le tratează ca conținut text. Rezultatul este în continuare text lizibil – `&amp;` se afișează ca `&` în browser.

Codarea URL (codare procentuală) este pentru URL-uri. Înlocuiește caracterele nesigure sau rezervate dintr-un URL cu secvențe de octeți codați procentual. Un spațiu devine `%20`, un ampersand devine `%26`, un semn mai mic devine `%3C`.

Comparația acelorași caractere în ambele sisteme:

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

Dacă lipești text HTML-codificat într-un codor URL, acesta va coda chiar caracterele entității (`&`, `;`, `#`), ceea ce aproape niciodată nu este dorit. Folosește această pagină pentru decodarea entităților HTML, codarea entităților HTML și conversia textului HTML codificat în text lizibil.

Codarea entităților HTML (acest instrument) convertește caracterele în echivalenții lor de entități HTML și inversează acel proces. Nu adaugă, nu elimină și nu restructurează niciun element HTML. Structura documentului este păstrată; se schimbă doar reprezentarea caracterelor speciale.

Curățarea HTML este o operațiune diferită care elimină sau rescrie marcajul HTML – ștergând etichete nedorite, normalizând atribute sau igienizând conținut potențial periculos. O funcție de curățare ar putea transforma `<b onclick="...">bold</b>` în `<b>bold</b>` sau pur și simplu `bold`.

Acest instrument nu curăță HTML. Dacă lipești HTML brut în codor, acesta va coda parantezele unghiulare și alte caractere rezervate din marcaj, transformând `<p>Bună</p>` în `&lt;p&gt;Bună&lt;/p&gt;`. Nu inspectează, nu elimină și nu restructurează niciun element.

De asemenea, acest instrument nu este un curățător de text. Nu elimină spațiile redundante, nu îndepărtează accentele și nu normalizează întreruperile de linie. Singura sa sarcină este să codeze și să decodeze entități HTML.