Codificatore / decodificatore di entità HTML — Escape e unescape dell'HTML

Riferimenti nominali, decimali ed esadecimali

L'HTML offre tre modi per scrivere lo stesso carattere. Un riferimento nominale come © è leggibile, ma esiste solo per i caratteri a cui l'HTML assegna un nome. Un riferimento decimale come © e uno esadecimale come © funzionano per ogni code point Unicode, emoji comprese: 🌲 è 🌲 o 🌲, un solo riferimento per l'intero carattere, non due per le sue metà UTF-16.

I 253 nomi della tabella di questo strumento sono l'insieme di HTML 4 più '. Sono supportati da ogni browser, client email e libreria HTML. HTML5 ne ha aggiunti circa 2.000, soprattutto simboli matematici (≂̸, ⨂), che si decodificano nei browser moderni ma è meglio scrivere come semplice UTF-8 o come riferimenti numerici se il contenuto passerà per strumenti più vecchi.

I nomi distinguono tra maiuscole e minuscole: É è É e é è é. Alcuni, come © e &, esistono anche in maiuscolo per ragioni storiche, ma le forme standard sono quelle minuscole.

Quando codificare e quando no

• Mostrare l'input degli utenti in una pagina: fai l'escape dei cinque caratteri non sicuri al momento dell'output, nel template, non quando salvi nel database.

• Esempi di codice in un articolo di blog o nella documentazione: fai l'escape di < e & così i tag compaiono come testo.

• Template email e sistemi legacy con un supporto UTF-8 inaffidabile: codificare tutti i caratteri non ASCII come riferimenti numerici fa sì che il contenuto sopravviva a qualsiasi charset.

• Pagine UTF-8 moderne: non codificare lettere accentate, virgolette curve o emoji. I caratteri semplici occupano meno spazio, si possono cercare e sono più facili da modificare.

• JSON, URL e stringhe JavaScript: lì le entità HTML non significano nulla. Usa rispettivamente l'escape JSON, il percent-encoding o le sequenze di escape delle stringhe JavaScript.

Come vengono decodificati i riferimenti numerici

La specifica HTML5 stabilisce cosa deve fare un parser con i riferimenti numerici anomali, e questo decodificatore la segue. &#0;, i riferimenti a code point surrogati (&#xD800;) e i valori oltre U+10FFFF diventano il carattere di sostituzione U+FFFD. I riferimenti nell'intervallo da &#128; a &#159; vengono letti come Windows-1252, quindi &#150; è un trattino medio e &#128; è il simbolo dell'euro, perché è quello che intendevano le vecchie pagine quando li scrivevano.

I riferimenti nominali vengono decodificati solo se terminano con un punto e virgola. Nel testo i browser accettano anche alcuni nomi storici senza, come &copy o &amp, ma il comportamento dipende da ciò che segue, quindi il contenuto dovrebbe sempre includere il punto e virgola.