c# - 解码C#中的特殊字符

Question

我想知道如何将特殊字符 • 解码为 HTML？

我尝试过使用 System.Web.HttpUtility.HtmlDecode 但还不够好。

Answer 1

这里的问题不是 HTML 解码，而是文本以一个字符集(例如，windows-1252)编码，然后再次编码为第二个字符集(UTF-8)。

在 UTF-8 中，• 被解码为 E2 80 A2。当使用 windows-1252 编码读取此字节序列时，E2 80 A2 编码为 •。 (再次保存为 UTF-8 • 成为 C3 A2 E2 82 AC C2 A2 20 54 65 73 74。)

如果文件是 windows-1252 编码的文件，则可以使用正确的编码轻松读取文件(例如，作为 StreamReader 构造函数的参数。):

new StreamReader(..., Encoding.GetEncoding("windows-1252"));

如果文件使用不正确的编码保存，在某些情况下可以反转编码。例如，对于你问题中的字符串序列，你可以这样写:

string s = "•"; // the string sequence that is not properly encoded
var b = Encoding.GetEncoding("windows-1252").GetBytes(s); // b = `E2 80 A2`
string c = Encoding.UTF8.GetString(b);  // c = `•`

请注意，许多常见的非打印字符都在 U+2000 到 U+2044 ( Reference ) 范围内，例如“引号”、项目符号和破折号。因此，序列 �(其中 ? 是任何字符)通常表示此类编码错误。这允许更广泛地纠正此类错误:

static string CorrectText(string input)
{
    var winencoding = Encoding.GetEncoding("windows-1252");
    return Regex.Replace(input, "â€.",
        m => Encoding.UTF8.GetString(winencoding.GetBytes(m.Value)));
}

以这种方式使用格式错误的文本调用此函数将纠正一些(但不是全部)错误。例如 CorrectText("•Test–or“") 将返回预期的 •Test–or“。