编码/解码

HTML 实体编码

HTML 实体编码与解码,支持基础编码和完整编码

原始文本
HTML Entities

常用 HTML 实体

&&
&lt;<
&gt;>
&quot;"
&#39;'
&nbsp;(空格)
&copy;©
&reg;®
&trade;™
&euro;€
&pound;£
&yen;¥
&deg;°
&plusmn;±
&times;×
&divide;÷
&frac12;½
&frac14;¼
&frac34;¾

什么是 HTML 实体编码?

HTML 实体编码是一种将特殊字符转换为 HTML 实体引用的方式,用于在 HTML 文档中安全地显示这些字符,避免被浏览器解析为 HTML 标签或产生歧义。

功能特点

  • 双向转换:支持编码和解码两种模式
  • 基础编码:仅编码特殊字符(<、>、&、" 等)
  • 完整编码:将所有字符编码为数字实体({)
  • 实时转换:输入即时得到结果
  • 常用实体参考:提供常用 HTML 实体对照表

常用 HTML 实体

  • &lt; - 小于号 (<)
  • &gt; - 大于号 (>)
  • &amp; - 和号 (&)
  • &quot; - 双引号 (")
  • &#39; - 单引号 (')
  • &nbsp; - 不间断空格
  • &copy; - 版权符号 (©)
  • &reg; - 注册商标 (®)

使用场景

  • XSS 防护:在显示用户输入时,编码特殊字符防止 XSS 攻击
  • HTML 转义:在 HTML 中显示包含 HTML 标签的文本
  • 特殊符号:在 HTML 中显示版权、商标等特殊符号
  • 数据安全:在表单提交或 API 传输中编码敏感字符

HTML 实体编码把会被解析成标记的字符换成实体引用,让标签以文本形式显示。基础模式替换 6 个字符,完整模式把每个 UTF-16 码元写成十进制引用,解码还能识别十六进制写法,适合核对 CMS 字段、邮件模板与接口返回里的转义结果。

基础模式替换 6 个字符,其中包含空格

基础模式用 /[&<>"' ]/g 扫描文本,改写对象是五个标记字符加 U+0020,其余字符原样保留。HTML 规范自带的转义字符串算法只处理 &、两个尖括号和两种引号,多出来的空格是本工具的行为:每个空格都变成 &nbsp;,也就是 U+00A0 不间断空格。这样产出的文本放进浏览器后不会在空格处换行,连续空格也不会再被折叠成一段。& 会被一并转义,因此一个带 class 属性的 div 开标签输出为 <div&nbsp;class="a">。单引号固定写成 ',而不是 HTML4 解析器不认识的 &apos;。参考表里的 ©、®、™、€、£、¥、°、±、×、÷、½、¼、¾ 在两种模式下都不会输出,因为这些码点全部高于 U+007E。

完整模式逐个 UTF-16 码元走,而不是逐个码点

完整模式用 split('') 拆字符串再取 charCodeAt(0),迭代单位是 UTF-16 码元,得到的数值必然落在 0 到 0xFFFF 之间。可打印 ASCII 里能在实体表中查到的只有空格,所以这一步实际只会产出 &nbsp;,表里其余符号码点都高于 U+007E,一律落到 &#dd; 十进制分支。U+FFFF 以上的字符(例如 emoji)在 JavaScript 里以代理对存放,U+1F600 于是被拆成 &#55357;&#56832; 两个引用。HTML5 把数字实体解析为 Unicode 标量值并禁止代理码点,孤立的 &#55357; 属于解析错误、会被替换成 U+FFFD。本工具还能往返还原,只是因为在解码时 String.fromCharCode 又把这两个码元拼了回去。

解码三趟的固定顺序决定会不会多解一层

解码先按表内顺序替换 19 个命名实体(& 排第一,接着是尖括号、双引号、'、&nbsp; 与各符号名),再处理十进制引用,最后处理十六进制引用。& 最先被解开,于是 &lt; 会一路塌缩成字面量尖括号,而不是作者想显示的那个实体本身,多解一次就破坏了内容。同样的内容若写成 &#38;lt; 反而安全,数字分支排在最后,它的产物不会再被扫描。两个数字正则都强制要求结尾分号,&#169、&#x26 会原样返回;命名匹配区分大小写,&QUOT; 不会被识别。超过 U+FFFF 的引用被 String.fromCharCode 截断,&#128512; 得到的是 U+F600。

实操示例

中英混排加 emoji 的完整编码

输入
Hi 你好 😀
输出
&#72;&#105;&nbsp;&#20320;&#22909;&nbsp;&#55357;&#56832;

8 个码元扩写成 55 个字符。H 与 i 属于可打印 ASCII 但不在实体表内,走十进制分支;两个空格先命中命名分支。你 的码点是 U+4F60 即 20320,好 是 U+597D 即 22909。emoji U+1F600 超出 BMP,切分后成为 55357 与 56832 两个代理码元引用。

边界与常见误用

  • 基础模式把每个空格都写成 &nbsp;,结果放进浏览器后不会在空格处换行;需要正常折行时必须手动删掉这些引用。
  • U+FFFF 以上的十进制引用会被截断成一个 16 位码元:解 &#128512; 得到的是 U+F600 而不是 emoji。
  • & 最先被解开,所以解 &lt; 会直接得到尖括号本身;对已转义文本再解一次就会破坏原文。
  • 只会解析内置表里的 19 个命名实体,&apos;、&mdash;、&hellip; 等 HTML5 名称以及缺少结尾分号的引用都保持原样。
  • 输入没有长度上限,每次按键都会重算整个文本框,解码还要对它做 19 次顺序正则替换,超大文本会让输入卡顿。

相关工具

出问题时先看这里

解出来的文字看着和页面上一模一样,比对却说不相等。

原因解码表把 &nbsp; 换回普通空格 U+0020,而浏览器解析 &nbsp; 得到 U+00A0。UTF-8 里前者是单字节 20,后者是 C2 A0 两个字节,所以从本页复制的文本和从渲染页面复制的文本看起来一样、字节不同。

处理别靠眼睛,拿 Hex 工具看字节。确实需要不间断空格时改粘 &#160;,这条路才得到 U+00A0,再核对那两个字节是不是 C2 A0。

整段文字做了完整编码,贴回页面后换行全没了。

原因完整模式把 U+000A 也送进十进制分支,换行于是变成 &#10;。字符引用解出来的仍是换行字符,可它在 <pre> 之外照样按空白折叠规则变成一个空格;输出框又把内容挤在一行,问题要等上线才暴露。

处理把行结构放在工具之外处理:逐行编码后用 <br> 连接,或把值放进带 white-space: pre-wrap 的元素。完整模式解决的是纯 ASCII 传输,不负责保住排版。

一段 120 个字符的英文,完整编码后变成 600 个字符。

原因完整模式下,19 个名字表之外每个码元都写成 &# 加十进制数值加 ;:小写字母 a(97)占 5 个字符,汉字"你"(20320)占 8 个,空格走命名分支是 6 个。纯 ASCII 文本膨胀到五倍是这种写法的常态,不是故障。

处理除非接收端真的只收 ASCII,否则用基础模式:它只改 6 个字符,字母、数字、中文、emoji 原样保留。

&#x41; 能解出来,&#X41; 一点反应都没有,明明同一个值。

原因十六进制那一趟的正则是 /&#x([0-9a-fA-F]+);/g:前缀的 x 必须小写,数字位倒是大小写都收。有些生成器输出大写 X,本页就完全看不见这类引用,而且不会报错,直接把原文退回来。

处理把 X 改成小写,或换成十进制写法,&#x41; 和 &#65; 都得到 A。生成器在自己手里就去改生成器,别靠事后改粘贴内容。

粘进一段明显是坏的实体,界面一个字都没提示。

原因错误提示只在 catch 里写入,而三趟解码全是正则替换加 String.fromCharCode,既不校验语法也不会抛异常,于是任何输入都能得到"结果",包括浏览器根本不会接受的输入。

处理自己验输出:解完还残留 &amp;,或者留下没有结尾分号的 &# 片段,说明有引用被跳过。结果里出现 U+0000(来自 &#0;)同样是个信号。

该由哪一层来做转义

情形这个 HTML 实体工具该换谁
值要塞进 <script> 块、JSON 字符串或内联事件属性两种模式产出的都是 HTML 字符引用。<script> 属于原始文本元素,里面的引用不会被还原,你把标签转义后放进去,JS 拿到的是实体拼写而不是那对尖括号,而且不会报错;换到 onclick="..." 这类属性值又会被还原。语境不同,本页只给一种写法。引号和换行交给 JSON 字符串转义(\"、\n),它不动尖括号;要防止 </script> 被读成标签,就用 Unicode 转义把整段写成 \u003c 这种形式。
要和浏览器自己序列化出来的结果逐字一致基础模式顺手把每个空格写成 &nbsp;,浏览器会把它当 U+00A0,结果里的空格不再折行;HTML 规范定义的转义只处理 &、两个尖括号和两种引号。控制台跑 div.textContent = s; div.innerHTML,或 Python 的 html.escape(s, quote=False)。两者都照规范来,普通空格一个都不动。
要解的是从别人页面里抄下来的源码内置表只有 19 个名字,&mdash;、&hellip;、&rsquo;、&apos; 会原样退回,看着就像没生效。Python 的 html.unescape 或 npm 包 he,HTML5 的命名引用它们认全。抄来的页面源码用它们,自己写标记时再回本页。
想确认转义完的东西渲染出来究竟长什么样输出框只是文本,什么都不解析,实体写错和写对在框里一样"看着没问题"。在结果前面加 data:text/html, 丢进标签页打开,或存成 .html 文件看。本页只负责生成字符串,渲染对不对只有浏览器能判。
这段文本其实是查询参数,不是页面内容基础模式会把 & 转成实体,于是原本含 & 的值变成 a&amp;b 这样五个字符原封不动地发出去,服务端拿到的是实体拼写而不是那个连接符;而 =、#、? 又原样穿过,在错误的位置把参数切开。URL 编解码直接对 UTF-8 字节做百分号编码,%26、%3D 各自对位。实体属于 HTML 文档,百分号编码属于 URL。
同一批文件要在构建流程里跑上几百遍一次一个文本框,手工粘贴,没有可以脚本化的入口,也没有留下转换记录。交给构建步骤:he.encode(s, { useNamedReferences: true }),或 Python 一行 python3 -c "import html,sys;print(html.escape(sys.stdin.read()))"。本页留给单个值的人眼核对。

常见问题

什么时候必须用 HTML 实体?
三种场景:一是在正文里显示 <、>、& 这些会被解析为标签或实体起点的字符;二是在属性值里使用引号;三是输入键盘上没有的字符(如 © 用 ©)。HTML5 里只要不引起歧义,直接写 UTF-8 字符也是允许的。
命名实体(&)和数字实体(&)有什么区别?
效果完全相同。命名实体可读性好,但只覆盖 HTML 标准定义的名字;数字实体(十进制 & 或十六进制 &)可以表示任何 Unicode 码点。数字实体的一个实用场景是防止邮件地址被爬虫按字面收集。
为什么解码后页面上还是显示乱码或方框?
实体解码是正确的,问题出在字体或字符集:页面 meta charset 不是 UTF-8,或字体缺少该字形。先用本工具确认实体对应的码点,再检查页面编码与字体支持。

内容复核: