HTML 实体解码器

对从网页、导出或采集结果中取得的文本执行一次 HTML5 实体解码。工具处理字符引用,不把输入当作完整网页解析,不执行标签,也不请求其中的图片或外部地址。

打开转换工具

输入仅在当前浏览器处理,不上传、不保存。

文本上限 1 MiB;XML/YAML 嵌套不超过 80 层。

作者 Yiyao发布于 更新于

解码 HTML 实体,无需渲染页面

粘贴包含 HTML 字符引用的文本,检查解码后的字符。当采集字段显示为 & 而不是 &,或需要比较编码文本与可读形式时,可以使用此工具。

结果始终是纯文本。解码后的标签会按字面显示,不会插入网页进行渲染,因此不会把转换结果与渲染后的文档混淆。

先确认文本的编码形式

HTML 实体、URL 百分号编码和 JSON 字符串转义使用不同规则,应根据实际来源字段选择工具。包含 %20 的值属于 URL 解码场景,而带双引号的 JSON 字符串可能需要 JSON 反转义。

不要依次运行所有解码器。先记录输入表示什么,以及下一步真正需要哪种转换。

编码示例解码结果含义
A & BA & B命名字符引用
AA十进制字符引用
AA十六进制字符引用
&lt;item&gt;<item>类似标签的内容仍作为文本显示

每次只解码一层并核对

点击一次解码,对照原文与结果,确认变化正确后再复制。输入 &amp;lt; 经过一次解码会变成 &lt;,不会立即变成小于号。

在测试记录中将原文与解码字段并列保存。如果提取库已经解码了实体,再解码一次可能改变原本有意保留的编码内容。

将 HTML 实体解码为纯文本,不渲染标签。

将文本提取与实体解码分开

实体解码只转换字符引用,不会移除标签、选择文章正文、提取价格或验证网页。如果输入是一整份 HTML 文档,应先选择合适的提取方法并确定目标字段。

例如,产品标题中的 Research &amp; Development 会变成 Research & Development。这并不能说明整个页面已经完整采集,也不能证明该标题属于目标记录。

在采集流程中使用工具

转换前先检查 Arcvenza Crawler Console 的实际输出。通用网站采集提供 HTML 或 Markdown;应确认取得的格式及后续字段映射的要求。

只对必要的文本字段进行解码,保留来源 URL,并手动抽查几条记录。完成提取和验证后再整理为结构化表格,不要把原始 HTML 当作 JSON 记录列表。

需要进行采集任务时,可探索 Crawler Console;本工具的本地转换是独立步骤。

检查边界情况

未知字符引用会保留,便于进一步调查。无效的数字字符引用按照 HTML 解码规则处理,可能产生替换字符。出现此类结果时,应检查原始来源,而不是将其当作已修正的业务数据。

空白字符也可能有特定含义。不换行空格与普通空格看起来相似,但比较时行为可能不同。是否进行空白规范化,应作为单独、明确的处理决定。

HTML 实体解码常见问题

这会移除 HTML 标签吗?不会。工具只解码字符引用,并以文本显示结果。

解码等于安全清理吗?不等于。应用仍需根据最终输出场景进行安全处理。

工具能加载私有页面吗?请粘贴脱敏后的文本样本。当前版本不会请求远程 URL。