Usar JavaScript regex para reemplazar entidades HTML numéricas con sus caracteres reales

Question

Estoy tratando de usar JavaScript & regex para reemplazar entidades HTML numéricas con sus caracteres Unicode reales, p. Ej.

foo's bar 
→ 
foo's bar 

Esto es lo que tengo hasta ahora:

"foo's bar".replace(/&#([^\s]*);/g, "$1"); // "foo39s bar" 

Todo lo que queda por hacer es sustituir el número String.fromCharCode($1), pero me parece que no puede conseguir que funcione. ¿Cómo puedo hacer esto?

Answer 1

"foo's bar".replace(/&#(\d+);/g, function(match, match2) {return String.fromCharCode(+match2);}) 

Answer 2

"foo's bar".replace(/&#([^\s]*);/g, function(x, y) { return String.fromCharCode(y) }) 

primer argumento (x) es un "'" en el ejemplo actual. y es 39.

Answer 3

Si no quiere definir todas las entidades, puede dejar que el navegador lo haga por usted; este bit crea un elemento p vacío, escribe el html y devuelve el texto que produce. El elemento p nunca se agrega al documento.

function translateEntities(string){ 
    var text, p=document.createElement('p'); 
    p.innerHTML=string; 
    text= p.innerText || p.textContent; 
    p.innerHTML=''; 
    return text; 
} 
var s= 'foo's bar'; 
translateEntities(s); 

/* returned value: (String) 
foo's bar 
*/ 

Answer 4

Además de utilizar una función de devolución de llamada, es posible que desee considerar la adición de soporte para las referencias de carácter hexadecimal (ሴ).

Además, fromCharCode puede que no sea suficiente. por ejemplo, 𐤀 es una referencia válida para un personaje fenicio, pero como está fuera del plano multilingüe básico y el modelo de cadena de JavaScript se basa en unidades de código UTF-16, no completan los puntos de código de carácter, fromCharCode(67840) no funcionará. Necesitaría un codificador UTF-16, por ejemplo:

String.fromCharCodePoint= function(/* codepoints */) { 
    var codeunits= []; 
    for (var i= 0; i<arguments.length; i++) { 
     var c= arguments[i]; 
     if (arguments[i]<0x10000) { 
      codeunits.push(arguments[i]); 
     } else if (arguments[i]<0x110000) { 
      c-= 0x10000; 
      codeunits.push((c>>10 & 0x3FF) + 0xD800); 
      codeunits.push((c&0x3FF) + 0xDC00); 
     } 
    } 
    return String.fromCharCode.apply(String, codeunits); 
}; 

function decodeCharacterReferences(s) { 
    return s.replace(/&#(\d+);/g, function(_, n) {; 
     return String.fromCharCodePoint(parseInt(n, 10)); 
    }).replace(/&#x([0-9a-f]+);/gi, function(_, n) { 
     return String.fromCharCodePoint(parseInt(n, 16)); 
    }); 
}; 

alert(decodeCharacterReferences('Hello &#x10900; mum &#67840;!'));