问C# HtmlEncode - ISO-8859-1实体名称与编号

EN

这就是实现该方法的方法。对于一些已知的字符，它使用相应的实体，而对于其他的所有字符，它都使用相应的十六进制值，并且您无法做太多的事情来修改这种行为。System.Net.WebUtility.HtmlEncode实现的摘录(如反射器所示)：

...
if (ch <= '>')
{
    switch (ch)
    {
        case '&':
        {
            output.Write("&amp;");
            continue;
        }
        case '\'':
        {
            output.Write("&#39;");
            continue;
        }
        case '"':
        {
            output.Write("&quot;");
            continue;
        }
        case '<':
        {
            output.Write("&lt;");
            continue;
        }
        case '>':
        {
            output.Write("&gt;");
            continue;
        }
    }
    output.Write(ch);
    continue;
}
if ((ch >= '\x00a0') && (ch < 'Ā'))
{
    output.Write("&#");
    output.Write(((int) ch).ToString(NumberFormatInfo.InvariantInfo));
    output.Write(';');
}
...

这是说，您不应该关心，因为这个方法将始终产生有效，安全和正确编码的HTML。

HtmlEncode正在遵循规范。ISO标准为每个实体指定了一个名称和一个数字，并且名称和数字是等价的。因此，HtmlEncode的一致性实现可以自由地将所有点编码为数字，或全部编码为名称，或将两者混合在一起。

我建议您从另一个方向着手解决问题:对目标文本调用HtmlDecode，然后使用原始字符串搜索解码后的文本。

ISO-8859-1实际上与HTML字符编码无关.维基百科：

数值引用总是引用Unicode代码点，而不管页面的编码如何。

仅对于未定义的Unicode代码点，通常使用ISO-8859-1：

禁止使用引用永久未定义字符和控制字符的数字引用，但行提要、制表符和回车字符除外。也就是说，十六进制范围00-08、0B-0C、0E-1F、7F和80-9F中的字符不能在HTML文档中使用，甚至不允许引用，因此不允许使用"™“。但是，为了与早期HTML作者和忽略此限制的浏览器向后兼容，一些浏览器将80-9F范围内的原始字符和数字字符引用解释为表示在Windows-1252编码中映射到字节80-9F的字符。

现在，要回答您的问题:要使搜索最有效，您应该使用未编码的搜索字符串来搜索未编码的HTML (首先去掉HTML标记)。匹配编码的字符串将导致意外的结果，比如基于HTML标记或注释的命中，以及由于文本中不可见的HTML中的差异而丢失的命中。