Convertir entidades de caracteres a sus equivalentes Unicode

Question

Tengo cadenas codificadas en html en una base de datos, pero muchas de las entidades de caracteres no son solo las estándar & y <. Entidades como “ y —. Lamentablemente, necesitamos alimentar estos datos en un lector de rss basado en flash y flash no lee estas entidades, pero sí leen el equivalente de Unicode (ex “).

Usando .Net 4.0, ¿hay algún método de utilidad que convierta la cadena codificada en html para usar entidades de caracteres codificadas en unicode?

Aquí hay un mejor ejemplo de lo que necesito. El PP tiene cadenas HTML como: <p>John &amp; Sarah went to see $ldquo;Scream 4$rdquo;.</p> y lo que necesito para dar salida en el documento RSS/XML con la etiqueta <description> es: <p>John & Sarah went to see “Scream 4”.</p>

estoy usando un XmlTextWriter para crear el documento XML a partir de los registros de bases de datos similares a esta código de ejemplo http://www.dotnettutorials.com/tutorials/advanced/rss-feed-asp-net-csharp.aspx

Necesito reemplazar todas las entidades de caracteres dentro de la cadena html de la base de datos con su equivalente unicode porque el lector de rss basado en flash no reconoce ninguna entidad más allá de las más comunes como &.

Answer 1

Mi primer pensamiento es, puede aceptar su lector de RSS los personajes reales? Si es así, puede utilizar HtmlDecode y alimentar directamente en.

Si es necesario convertirlo a las representaciones numéricas, se puede analizar fuera de cada entidad, HtmlDecode, y luego convertirlo a un int para obtener la base -10 valor unicode. Luego vuelva a insertarlo en la cadena.

EDIT: Aquí hay algo de código para demostrar lo que quiero decir (que no se ha probado, pero tiene la idea de diámetro):

string input = "Something with — or other character entities."; 
StringBuilder output = new StringBuilder(input.Length); 

for (int i = 0; i < input.Length; i++) 
{ 
    if (input[i] == '&') 
    { 
     int startOfEntity = i; // just for easier reading 
     int endOfEntity = input.IndexOf(';', startOfEntity); 
     string entity = input.Substring(startOfEntity, endOfEntity - startOfEntity); 
     int unicodeNumber = (int)(HttpUtility.HtmlDecode(entity)[0]); 
     output.Append("&#" + unicodeNumber + ";"); 
     i = endOfEntity; // continue parsing after the end of the entity 
    } 
    else 
     output.Append(input[i]); 
} 

es posible que tenga un error off-by-one en algún lugar de ahí, pero debería estar cerca.

Answer 2

¿funcionaría HttpUtility.HtmlDecode para usted?

Me doy cuenta de que no se convierte a entidades equivalentes unicode, sino que lo convierte a unicode. ¿Hay alguna razón específica por la que quieras las entidades equivalentes Unicode?

actualizan edición

---

 string test = "<p>John &amp; Sarah went to see &ldquo;Scream 4&rdquo;.</p>"; 
     string decode = HttpUtility.HtmlDecode(test); 
     string encode = HttpUtility.HtmlEncode(decode); 

     StringBuilder builder = new StringBuilder(); 
     foreach (char c in encode) 
     { 
      if ((int)c > 127) 
      { 
       builder.Append("&#"); 
       builder.Append((int)c); 
       builder.Append(";"); 
      } 
      else 
      { 
       builder.Append(c); 
      } 
     } 
     string result = builder.ToString(); 

Answer 3

puede descargar una copia local de las DTDs HTML y/o XHTML apropiadas del W3C. Luego configure un XmlResolver y úselo para expandir cualquier entidad que se encuentre en el documento.

Puede usar una expresión regular para buscar/expandir las entidades, pero eso no sabrá nada sobre el contexto (por ejemplo, cualquier elemento en una sección CDATA no debería expandirse).

Answer 4

esto podría ayudarle a poner en ruta de entrada de texto

 try 
     { 
      FileInfo n = new FileInfo(textBox1.Text); 
      string initContent = File.ReadAllText(textBox1.Text); 
      int contentLength = initContent.Length; 
      Match m; 

      while ((m = Regex.Match(initContent, "[^a-zA-Z0-9<>/\\s(&#\\d+;)-]")).Value != String.Empty) 
       initContent = initContent.Remove(m.Index, 1).Insert(m.Index, string.Format("&#{0};", (int)m.Value[0])); 

      File.WriteAllText("outputpath", initContent); 
     } 

     catch (System.Exception excep) 
     { 

      MessageBox.Show(excep.Message); 

     } 



    }