在 Node 層利用 cheerio 解析網(wǎng)頁時，輸出的中文內(nèi)容都是以 &#x 開頭的一堆像亂碼一樣的東西，嘗試過各種編碼都無效，而且神奇的是，將這一堆“亂碼”保存成網(wǎng)頁后，通過瀏覽器打開又可以正常顯示。這到底是什么??？？

縮減后的示例代碼如下：

const cheerio = require(‘cheerio‘);
const $ = cheerio.load(‘<div id="content">你好</div>‘)
console.log($(‘#content‘).html()) //&#x4F60;&#x597D;

其實，上面那一堆亂碼一樣的東西，它的學(xué)名叫實體編碼 entity code。

下面引用下知乎搜到的答案。

在 HTML 中，某些字符是預(yù)留的，例如小于號「<」、大于號「>」等，瀏覽器會將它們視作標(biāo)簽。如果想要在HTML中顯示這些預(yù)留字符，我們就要用到字符實體（character entities）。我們比較熟悉的字符實體有空格「&nbsp;」，小于號「&lt;」，大于號「&gt;」等。這樣的格式比較語義化，容易記憶，但其實字符實體有其他的格式：

&name;&#dddd;&#xhhhh;

1. 這三種轉(zhuǎn)義方式都稱作 character reference，第一種是 character entity reference，「&」符號后接預(yù)先定義好的 entity 名稱。

2. 后兩種是 numeric character reference，數(shù)字取值為目標(biāo)字符的 Unicode code point；以「&#」開頭的后接十進制數(shù)字，「&#x」開頭的后接十六進制數(shù)字。

從 HTML4 開始，numeric character reference 以 Unicode 為準(zhǔn)，與文檔編碼無關(guān)?！改愫谩苟址謩e是 Unicode 字符 U+4F60 和 U+597D，十六進制表示的 code point 數(shù)值「4F60」和「597D」，同時也就是十進制的「20320」和「22909」。所以

在HTML中輸入

你好你好

都會顯示為“你好”。

知道原因后，那么如何解決上述的問題呢？

方法一：使用cheerio提供的屬性

cheerio默認(rèn)會對entity進行decode，我們只需要關(guān)閉該功能即可

const cheerio = require(‘cheerio‘);
const $ = cheerio.load(‘<div id="content">你好</div>‘, { decodeEntities: false })
console.log($(‘#content‘).html()) // 你好

方法二：手動decode

function decode(str) {    // 一般可以先轉(zhuǎn)換為標(biāo)準(zhǔn) unicode 格式（有需要就添加：當(dāng)返回的數(shù)據(jù)呈現(xiàn)太多\\\u 之類的時）
    str = unescape(str.replace(/\\u/g, "%u"));    // 再對實體符進行轉(zhuǎn)義
    // 有 x 則表示是16進制，$1 就是匹配是否有 x，$2 就是匹配出的第二個括號捕獲到的內(nèi)容，將 $2 以對應(yīng)進制表示轉(zhuǎn)換
    str = str.replace(/&#(x)?(\w+);/g, function($, $1, $2) {      return String.fromCharCode(parseInt($2, $1? 16: 10));
    });    return str;
}