开头的是什么编码?
发布网友
发布时间：2024-05-01 15:00
共1个回答
热心网友
时间：2024-10-20 01:01
在使用readability的api提取网页内容的时候 点这里看-readability-网页内容提取利器 ，中文内容都是 &#x 开头的一堆乱码似的东西。但保存成网页文件后，浏览器是可以正常显示的~
故搜索了一下，知乎上有个 回答 挺好，在此转一下：
形如
的一串字符是 HTML、XML 等 SGML 类语言的转义序列（escape sequence）。它们不是「编码」。以 HTML 为例，这三种转义序列都称作 character reference：第一种是 character entity reference，后接预先定义的 entity 名称，而 entity 声明了自身指代的字符。
后两种是 numeric character reference（NCR），数字取值为目标字符的 Unicode code point；以「&#」开头的后接十进制数字，以「&#x」开头的后接十六进制数字。
从 HTML 4 开始，NCR 以 Unicode 为准，与文档编码无关。「中国」二字分别是 Unicode 字符 U+4E2D 和 U+56FD，十六进制表示的 code point 数值「4E2D」和「56FD」就是十进制的「20013」和「22269」。所以
这两种 NCR 写法都会在显示时转换为「中国」二字。NCR 可以用于转义任何 Unicode 字符，而 character entity reference 很受限，参见 HTML 4 和 HTML5 中已有定义的字符列表：
Character entity references in HTML 4
Character entity references in HTML5
另外可以参考这篇文章 使用 &#x 3000 等空格实现最小成本中文对齐
知道了是什么，现在来看怎么把它转回成中文呢？
Python实现
要将16进制字符转成中文可以用如下方法
故需要将 &#xhhhh; 做替换，再用上面的方式进行转换。对于特殊符号（如加减乘除），会显示为 &#xhh ，后面只有两位，在转换之前，需要提前补全。具体可参看 readability-网页内容提取利器
Java实现
补充：
后来想到，其实可以把这当成html来解析啊，然后就有了：
热心网友
时间：2024-10-20 01:01
在使用readability的api提取网页内容的时候 点这里看-readability-网页内容提取利器 ，中文内容都是 &#x 开头的一堆乱码似的东西。但保存成网页文件后，浏览器是可以正常显示的~
故搜索了一下，知乎上有个 回答 挺好，在此转一下：
形如
的一串字符是 HTML、XML 等 SGML 类语言的转义序列（escape sequence）。它们不是「编码」。以 HTML 为例，这三种转义序列都称作 character reference：第一种是 character entity reference，后接预先定义的 entity 名称，而 entity 声明了自身指代的字符。
后两种是 numeric character reference（NCR），数字取值为目标字符的 Unicode code point；以「&#」开头的后接十进制数字，以「&#x」开头的后接十六进制数字。
从 HTML 4 开始，NCR 以 Unicode 为准，与文档编码无关。「中国」二字分别是 Unicode 字符 U+4E2D 和 U+56FD，十六进制表示的 code point 数值「4E2D」和「56FD」就是十进制的「20013」和「22269」。所以
这两种 NCR 写法都会在显示时转换为「中国」二字。NCR 可以用于转义任何 Unicode 字符，而 character entity reference 很受限，参见 HTML 4 和 HTML5 中已有定义的字符列表：
Character entity references in HTML 4
Character entity references in HTML5
另外可以参考这篇文章 使用 &#x 3000 等空格实现最小成本中文对齐
知道了是什么，现在来看怎么把它转回成中文呢？
Python实现
要将16进制字符转成中文可以用如下方法
故需要将 &#xhhhh; 做替换，再用上面的方式进行转换。对于特殊符号（如加减乘除），会显示为 &#xhh ，后面只有两位，在转换之前，需要提前补全。具体可参看 readability-网页内容提取利器
Java实现
补充：
后来想到，其实可以把这当成html来解析啊，然后就有了：
热心网友
时间：2024-10-20 01:02
在使用readability的api提取网页内容的时候 点这里看-readability-网页内容提取利器 ，中文内容都是 &#x 开头的一堆乱码似的东西。但保存成网页文件后，浏览器是可以正常显示的~
故搜索了一下，知乎上有个 回答 挺好，在此转一下：
形如
的一串字符是 HTML、XML 等 SGML 类语言的转义序列（escape sequence）。它们不是「编码」。以 HTML 为例，这三种转义序列都称作 character reference：第一种是 character entity reference，后接预先定义的 entity 名称，而 entity 声明了自身指代的字符。
后两种是 numeric character reference（NCR），数字取值为目标字符的 Unicode code point；以「&#」开头的后接十进制数字，以「&#x」开头的后接十六进制数字。
从 HTML 4 开始，NCR 以 Unicode 为准，与文档编码无关。「中国」二字分别是 Unicode 字符 U+4E2D 和 U+56FD，十六进制表示的 code point 数值「4E2D」和「56FD」就是十进制的「20013」和「22269」。所以
这两种 NCR 写法都会在显示时转换为「中国」二字。NCR 可以用于转义任何 Unicode 字符，而 character entity reference 很受限，参见 HTML 4 和 HTML5 中已有定义的字符列表：
Character entity references in HTML 4
Character entity references in HTML5
另外可以参考这篇文章 使用 &#x 3000 等空格实现最小成本中文对齐
知道了是什么，现在来看怎么把它转回成中文呢？
Python实现
要将16进制字符转成中文可以用如下方法
故需要将 &#xhhhh; 做替换，再用上面的方式进行转换。对于特殊符号（如加减乘除），会显示为 &#xhh ，后面只有两位，在转换之前，需要提前补全。具体可参看 readability-网页内容提取利器
Java实现
补充：
后来想到，其实可以把这当成html来解析啊，然后就有了：
热心网友
时间：2024-10-20 01:02
在使用readability的api提取网页内容的时候 点这里看-readability-网页内容提取利器 ，中文内容都是 &#x 开头的一堆乱码似的东西。但保存成网页文件后，浏览器是可以正常显示的~
故搜索了一下，知乎上有个 回答 挺好，在此转一下：
形如
的一串字符是 HTML、XML 等 SGML 类语言的转义序列（escape sequence）。它们不是「编码」。以 HTML 为例，这三种转义序列都称作 character reference：第一种是 character entity reference，后接预先定义的 entity 名称，而 entity 声明了自身指代的字符。
后两种是 numeric character reference（NCR），数字取值为目标字符的 Unicode code point；以「&#」开头的后接十进制数字，以「&#x」开头的后接十六进制数字。
从 HTML 4 开始，NCR 以 Unicode 为准，与文档编码无关。「中国」二字分别是 Unicode 字符 U+4E2D 和 U+56FD，十六进制表示的 code point 数值「4E2D」和「56FD」就是十进制的「20013」和「22269」。所以
这两种 NCR 写法都会在显示时转换为「中国」二字。NCR 可以用于转义任何 Unicode 字符，而 character entity reference 很受限，参见 HTML 4 和 HTML5 中已有定义的字符列表：
Character entity references in HTML 4
Character entity references in HTML5
另外可以参考这篇文章 使用 &#x 3000 等空格实现最小成本中文对齐
知道了是什么，现在来看怎么把它转回成中文呢？
Python实现
要将16进制字符转成中文可以用如下方法
故需要将 &#xhhhh; 做替换，再用上面的方式进行转换。对于特殊符号（如加减乘除），会显示为 &#xhh ，后面只有两位，在转换之前，需要提前补全。具体可参看 readability-网页内容提取利器
Java实现
补充：
后来想到，其实可以把这当成html来解析啊，然后就有了：
