如何在 C# 中将 HTML 转换为 Javascript 转义

Question

我已将印地语字体转换为 HTML 代码。现在我想要的是将此 HTML 代码转换为 unicode 转义...

印地语：

श्रीगंगानगर। हनुमानगढ़ मार्ग पर लालगढ़ जाटान छावनी के नजदीक शनिवार सुबह सड़क से पन्द्रह-...

对应的HTML：

श्रीगंगानगर। हनुमानगढ़ मार्ग पर लालगढ़ जाटान छावनी के नजदीक शनिवार सुबह सड़क से पन्द्रह-...

现在我想将此 HTML 代码转换为 unicode 转义，例如：

\u0936\u094D\u0930\u0940\u0917\u0902\u0917\u093E\u0928\u0917\u0930\u0964\u0939\u0928\u0941\u092E\u093E\u0928\u0917\u092E\u0917\u092E\u0917\u092E\u090 u0930\u094D\u0917\u092A\u0930

就像在this site 中一样。但我希望通过 C# 代码进行这种转换，而不是在 Javascript 中......

Answer 1

你可以

• 使用正则表达式&#([0-9]+);捕获每个unicode字符
• 将捕获的部分转换为整数
• 取字符串中整数的十六进制表示
• 在开头添加\u，从左到右填充0，使其成为4个字符的字符串

Answer 2

StringBuilder sb = new StringBuilder(hindiString.Length * 6);
foreach(char c in hindiString)
  sb.Append(@"\u").Append(((int)c).ToString("X4"));
return sb.ToString()

我假设您不需要担心 BMP 之外的任何事情。如果是这样，您想先将 UTF-16 高代理和低代理合并在一起。 编辑：最后一句，js在内部使用与C#相同的UTF-16，所以上面的在BMP之外也可以正常工作。

但是，对应的 HTML 到 श्रीगंगानगर। हनुमानगढ़हनुमानगढ़मार्गपरलालगढ़जाटानजाटानछावनीकेशनिवारशनिवारसुबहसड़कसेसेपन्द्रहसे：

<p>श्रीगंगानगर। हनुमानगढ़ मार्ग पर लालगढ़ जाटान छावनी के नजदीक शनिवार सुबह सड़क से पन्द्रह</p>

而对应的javascript是：

"श्रीगंगानगर। हनुमानगढ़ मार्ग पर लालगढ़ जाटान छावनी के नजदीक शनिवार सुबह सड़क से पन्द्रह"

或者：

'श्रीगंगानगर। हनुमानगढ़ मार्ग पर लालगढ़ जाटान छावनी के नजदीक शनिवार सुबह सड़क से पन्द्रह'

为什么不直接使用它们？

Answer 3

StringBuilder sb = new StringBuilder();
foreach(char c in hindi)
{
    sb.Append(@"\u").Append(((int)c).ToString("X4"));
}
return sb.ToString()

Answer 4

我看到您直接从原始文本中得到了多个答案，这是一种按照您的要求从 HTML 转义中完成的方法；

string input = "श्रीगंग..."

var output = Regex.Replace(input, @"&#([0-9]*);", 
               x => String.Format("\\u{0:X4}", int.Parse(x.Groups[1].Value)));

或交替;

var output = String.Join("", WebUtility.HtmlDecode(input)
                   .Select(x => "\\u" + ((int)x).ToString("X4")));