Codificatore di entità HTML
E un decodificatore che perdona

Quali caratteri riserva HTML

Cinque caratteri significano qualcosa per un parser. La e commerciale apre un’entità, le due parentesi angolari aprono e chiudono un tag e, inoltre, le due virgolette chiudono il valore di un attributo.

Il resto rimane testo comune. Così una lettera accentata, una lineetta e un’emoji attraversano un documento UTF-8 senza modifiche.

Per questo la codifica è più ristretta di quanto si pensi. Nel testo te ne servono tre su cinque e, dentro un attributo, anche le virgolette corrispondenti.

L’elenco completo dei nomi si trova nello standard HTML e supera le duemila voci. Tuttavia quasi nessuna è necessaria.

Con nome, decimale o esadecimale

Le entità con nome si leggono bene, perché un   ti dice cos’è. Invece un   ti dice solo un numero.

I numeri funzionano sempre. Ogni code point ne ha uno, non entra in gioco alcuna tabella e, di conseguenza, nulla dipende dal fatto che un parser conosca un nome.

L’esadecimale è lo stesso numero in base sedici. Usalo quando copi valori da una tabella Unicode, poiché le tabelle li stampano così.

Quando codificare tutto

Un documento servito come UTF-8 non ha bisogno di entità per gli accenti, poiché i caratteri sono semplicemente caratteri. Così il browser li legge correttamente.

Codificare tutto ciò che è fuori dall’ASCII è un’assicurazione contro un server che invia il charset sbagliato. Tuttavia rende il file più pesante e molto più difficile da modificare.

Perciò ricorrici solo quando non controlli gli header. In ogni altro caso, una dichiarazione del charset corretta è la soluzione migliore.

Le entità non sono sanificazione

Codificare il testo prima di stamparlo in una pagina impedisce che diventi markup. Questo è l’escape e, inoltre, le regole cambiano con il posto: un attributo, un blocco script e un URL richiedono ciascuno il proprio.

Perché decodificare è la metà difficile

I documenti reali contengono entità con nome, decimali, esadecimali e molte senza punto e virgola. Quindi un decodificatore deve gestirle tutte e quattro.

Inoltre deve lasciare stare tutto ciò che sembra solo un’entità. La parola &foo; è testo, e un decodificatore che tira a indovinare rovina la prosa.

Questo decodificatore controlla i nomi nella sua tabella e i code point nell’intervallo valido. Per questo tutto ciò che non riconosce torna esattamente com’era scritto.

Dove compaiono ancora le entità

I vecchi template email ne contengono a centinaia. Così anche gli export dei CMS e le conversioni da PDF e, inoltre, tutto ciò che è passato da un programma di videoscrittura.

Compaiono anche nei file CSV estratti da una pagina web. Per esempio, una colonna di nomi piena di amp e rsquo è il segnale tipico.

Decodificare una volta un file del genere lo rende di nuovo leggibile. Poi vedi le virgolette e le lineette sparse che si nascondevano come codici.

Tuttavia conserva una copia dell’originale. Se un valore doveva restare codificato, vorrai rimetterlo.

Il problema dello spazio unificatore

I programmi di videoscrittura li inseriscono, e sullo schermo sembrano identici a uno spazio normale. Poi rompono l’a capo e i confronti tra testi. Per questo decodificare un blocco incollato è il modo più rapido per trovarli.