html - `CGI.unescapeHTML` 的不完整性

Question

CGI.unescapeHTML似乎对无法用 HTML 字面表达的字符进行转义，例如 "<" , 在 HTML 中转义为 "<" :

require "cgi"
CGI.unescapeHTML("&lt;") # => "<"

但是对于既可以按字面意思表示又可以不按字面意思表示的字符，似乎也没有unescape的意思。例如，"§"也可以用 HTML 表示为 "§" , 而后者不是通过这种方法逃脱的:

CGI.unescape("§") # => "§"

1. 这是一项功能吗？有什么办法可以完全取消转义包含这些字符的 HTML 字符串吗？
2. 我可以找到关于 CGI.escapeHTML 的描述, CGI.unescapeHTML在 RDoc 中为 Ruby 1.9.3 ，但我找不到最新的 Ruby。他们怎么了？它们是否被描述过，或者这些方法有任何变化？

Answer 1

您将在 CGI::Util 中找到更新的 Ruby 版本的文档。 CGI::Util 还定义了一个包含特殊字符及其转义值的常量。该列表非常短:

> CGI::Util::TABLE_FOR_ESCAPE_HTML__
{
    "'"  => "'",
    "&"  => "&",
    "\"" => """,
    "<"  => "&lt;",
    ">"  => "&gt;"
}

查看 unescapeHTML 的实现，您会根据字符串的字符集发现更多替换:

# File lib/cgi/util.rb, line 43
def unescapeHTML(string)
  return string unless string.include? '&'
  enc = string.encoding
  if enc != Encoding::UTF_8 && [Encoding::UTF_16BE, Encoding::UTF_16LE, Encoding::UTF_32BE, Encoding::UTF_32LE].include?(enc)
    return string.gsub(Regexp.new('&(apos|amp|quot|gt|lt|#[0-9]+|#x[0-9A-Fa-f]+);'.encode(enc))) do
      case $1.encode(Encoding::US_ASCII)
      when 'apos'                then "'".encode(enc)
      when 'amp'                 then '&'.encode(enc)
      when 'quot'                then '"'.encode(enc)
      when 'gt'                  then '>'.encode(enc)
      when 'lt'                  then '<'.encode(enc)
      when /\A#0*(\d+)\z/        then $1.to_i.chr(enc)
      when /\A#x([0-9a-f]+)\z/i  then $1.hex.chr(enc)
      end
    end
  end
  asciicompat = Encoding.compatible?(string, "a")
  string.gsub(/&(apos|amp|quot|gt|lt|\#[0-9]+|\#[xX][0-9A-Fa-f]+);/) do
    match = $1.dup
    case match
    when 'apos'                then "'"
    when 'amp'                 then '&'
    when 'quot'                then '"'
    when 'gt'                  then '>'
    when 'lt'                  then '<'
    when /\A#0*(\d+)\z/
      n = $1.to_i
      if enc == Encoding::UTF_8 or
        enc == Encoding::ISO_8859_1 && n < 256 or
        asciicompat && n < 128
        n.chr(enc)
      else
        "&##{$1};"
      end
    when /\A#x([0-9a-f]+)\z/i
      n = $1.hex
      if enc == Encoding::UTF_8 or
        enc == Encoding::ISO_8859_1 && n < 256 or
        asciicompat && n < 128
        n.chr(enc)
      else
        "&#x#{$1};"
      end
    else
      "&#{match};"
    end
  end
end

所以:是的，它只取消了一个子集。