HTML实体编码解码工具 - &、<等字符实体在线转换
页面上那个 <div> 去哪了
先看三个真实场景。
一:想在文档里展示一段标签。 你在后台编辑器里写「把内容放进 <div class="box"> 里」,保存后前台页面上只剩下「把内容放进 里」。因为浏览器把 <div class="box"> 当成了一个真的开始标签,后面没有对应内容,就渲染出一个空盒子。
二:模板里的链接参数被吃掉半截。 老项目里写 <a href="/search?q=html&lang=zh">,用 XHTML 或严格校验一跑就报错;换成某些模板引擎转义后,浏览器地址栏里只剩下 ?q=html。源码里那个 & 是实体引用的起始符,出现在属性值里时,解析器会往后试着读一个实体名。
三:从富文本或旧系统里导出的文本,全是实体。 复制一段网页源码,得到的是 星点“编码工具”;数据库里存的老数据,中文全变成了 编码。你要的是人能读的原文。
这三种情况其实是同一个问题的两个方向:文本要当「字符」显示,而不是当「结构」解析。HTML 实体就是干这个的。星点 HTML 实体编码解码工具 把这个来回转换做成了一个粘贴即用的页面,选方向、粘内容、出结果,全部在浏览器本地完成。
实体到底是什么
HTML 源码看着像文本,但浏览器不按纯文本读它,而是一边读一边认结构:看到 < 就准备开标签,看到 & 就准备读实体名,读到 ; 结束。
这套规则让 HTML 能描述结构,也带来一个副作用:字符本身的含义被语法占用了。你没法在正文里直接写一个「小于号字符」,因为小于号在语法里的身份是「标签开始」——你写进去的那个字符会被当语法符号消费掉,而不是当成文字。
实体就是给这类字符准备的转义写法:一段以 & 开头、; 结尾的纯 ASCII 文本,浏览器在渲染阶段把它替换回对应字符。
这里有个关键点:替换发生在解析之后。< 被换成的 < 是文本内容里的一个字符,不会被重新当成标签起始。所以在正文里写 <script>,页面上显示的是 <script> 这几个字面字符,不会执行。不少人误以为数字实体能「绕过」过滤,其实是把解析顺序想反了。
五个字符,五种后果
正文和属性值里最需要处理的是这五个:
| 字符 | 码点 | 在语法里的角色 | 不处理会怎样 | 常用写法 |
|---|---|---|---|---|
< | U+003C | 标签开始 | 后面的内容被当标签解析,显示为空或被吞 | < |
> | U+003E | 标签结束 | 浏览器容错强,正文里多数能显示;但规范建议转义,XML、邮件客户端和校验器不一定容错 | > |
& | U+0026 | 实体引用开始 | 后面的 amp;、nbsp; 被当实体吃掉,或产生歧义 ampersand | & |
" | U+0022 | 双引号属性值的边界 | 属性值提前结束,后面的内容变成新属性 | " |
' | U+0027 | 单引号属性值的边界 | 同上,单引号包裹的属性被截断 | '(或 ') |
逐个说清楚。
< 最硬:它就是标签的起始符,没有「看情况」的余地。正文里出现一个裸 <,浏览器会往后找标签名,找不到合法名字时才退回来当文本。这种容错不能依赖——一旦后面跟着合法标签名(<b、<script 之类),语义立刻变了。
> 常被忽略,因为浏览器确实宽容,正文里写 a > b 一般照常显示。但转义它有三个实际理由:HTML 规范本身建议转义;XML/XHTML 严格解析器不容错;]]> 这类序列在 XML 里有特殊含义。工程上把 < 和 > 成对处理,比记住「哪些地方可以偷懒」更省心。
& 最容易出错,因为它自己就是实体的起始符。源码里写 AT&T,后面如果正好跟着能拼成实体名的字符,就会被尝试当实体解析。HTML5 对属性值里的裸 & 有「歧义 ampersand」(ambiguous ampersand)的约束,规范要求写成 &。所以只要出现在 HTML 里,& 一律转义,没有例外。
" 和 ' 只在属性值里有意义:HTML 的属性值可以用双引号、单引号或不加引号包裹。你这一层模板用的是哪种引号,就必须转义哪种。用双引号包属性却只转单引号,等于没转。
一个具体例子:
<!-- 想显示的效果 --><p>结果:1 < 2 && "a" != 'b'</p>
<!-- 源码里要写成 --><p>结果:1 < 2 && "a" != 'b'</p>命名实体、十进制、十六进制:同一件事的三种写法
同一个字符可以写成三种形式:
| 字符 | 命名实体 | 十进制数字实体 | 十六进制数字实体 |
|---|---|---|---|
& | & | & | & |
< | < | < | < |
> | > | > | > |
" | " | " | " |
' | '(HTML5 / XML) | ' | ' |
| 不换行空格 | |   |   |
| 版权符 © | © | © | © |
| 乘号 × | × | × | × |
| 右箭头 → | → | → | → |
几个容易搞混的点:
数字实体里的数字是 Unicode 码点,不是字节,也不是「加密」。 & 的 38 是 U+0026 的十进制,& 是同一个值的十六进制。它跟页面用 UTF-8 还是 GBK 无关——这正是老系统爱用数字实体的原因:文件编码说不清的时候,数字实体是唯一不依赖 charset 的写法。
命名实体不是全部,也不是都一样。 HTML5 定义了一大张命名实体表,覆盖带重音的拉丁字母、希腊字母、数学符号、箭头、标点等;日常用到的其实就几十个。名字区分大小写:Á 是 Á,á 是 á,两个不同字符; 也不能写成 &NBSP;(只有 & 这类历史遗留的大写变体存在,属于不该主动依赖的兼容行为)。
' 是个例外。 它在 XML 和 HTML5 里都有定义,HTML4 没有。所以老系统、老校验器、部分邮件模板遇到 ' 可能不认,' 兼容面更宽。工具里单引号策略给了三种选择,就是为这个差别准备的。
数字实体也有边界。 码点超出 Unicode 范围,或者落在代理区(U+D800–U+DFFF)的数值,浏览器会替换成 U+FFFD 或直接报错。它不是可以随便填的「字符编码器」。
工具里那几个开关怎么选
打开 HTML 实体编码解码工具,选项不多,但每个都对应一种真实需求:
- 方向:编码是把原文变成实体,解码是把实体还原成原文。粘进来的内容已经含
<这类序列、你想看人能读的原文,就选解码。 - 编码范围(仅关键字符 / 扩展非 ASCII):仅关键字符只处理
< > & " ',中文、emoji、标点原样保留;选扩展非 ASCII 后,所有非 ASCII 字符都转成数字实体(比如「你」变成你)。后者适合输出到 charset 不可控的老系统、老邮件模板,或者需要保证纯 ASCII 的场景。 - 单引号策略(
'/'/ 不转义):属性值用双引号、正文也不涉及单引号属性时,选不转义最干净;要进 XML 或现代 HTML5,'可读性好;要兼容老系统,'更稳。 - 未知实体策略(保留原样 / 报错):解码时遇到
&foo;这种不存在的实体名,保留原样能防止内容被误删,还能让你看出拼写错误;需要批量校验数据质量时切成报错。默认保留。 - 混合内容:一段文本里既有实体又有普通字符时,只替换实体部分,其余原样输出——处理从网页上抓下来的片段时最需要这个。
典型操作就四步:
- 选方向;
- 左侧粘贴原文,或粘贴含实体的文本;
- 按场景调上面几个选项;
- 右侧实时出结果,复制或交换。
转换全程在浏览器本地计算,不产生上传请求。
边界:实体转换不是 sanitizer
这一段单独写,因为它是这个工具最容易被误用的地方。
HTML 实体编码不是安全过滤,不能拿来防 XSS。 工具的定位就是字符转换:把 & 变成 &,把 & 变回 &。它不知道你的输出会落在 HTML 正文、属性值、<script>、URL 还是 CSS 里,也不做标签白名单、属性过滤、协议检查。
为什么「转义了还是被 XSS」?因为编码必须和输出上下文匹配:
| 输出位置 | 正确处理 | 只做 HTML 实体会怎样 |
|---|---|---|
| HTML 正文 | HTML 实体编码 | 有效 |
| 双引号 / 单引号属性值 | 属性编码(含对应引号、&、<) | 引号没转就截断属性 |
| 无引号属性值 | 本来就不该用无引号 | 空格、=、> 都能断开属性 |
<script> 内 | JSON.stringify 或 \u 转义 | 实体不被解析,& 就是 5 个字符;</script> 照样能闭合标签 |
| URL 的 href / src | 先校验协议,再做 percent-encoding | 实体解码后 javascript: 仍然生效 |
| CSS 内 | CSS 转义 | 无效 |
| 富文本 HTML 片段 | 白名单 sanitizer(如 DOMPurify)后再插入 | 只转 & < > 挡不住事件属性和危险协议 |
正确做法是三件事分开:
- 输出编码:每个上下文用对应的编码器(HTML 文本、HTML 属性、JS、URL、CSS 各不相同),在拼接那一刻做,不要提前做成「安全字符串」存起来;
- HTML 片段清洗:用户提交富文本、必须放行部分标签时,用白名单 sanitizer,而不是自己拿正则删
<script>; - 兜底:CSP 限制内联脚本、Cookie 加 HttpOnly。它们不能替代输出编码,但能降低漏网之后的损失。
一句话:实体转换解决「显示得对不对」,安全解决「能不能被执行」,两者不能互相顶替。
六个高频坑
1. 重复编码:页面上出现 &amp;
症状:本来想显示 &,页面上却显示 &;再刷新一次变成 &amp;。
原因几乎总是编码了两次:后端入库前转义一遍,模板输出时又自动转义一遍;或者前端拿到已经转好的字符串,又用 innerHTML 塞了一次。
正确分工是:存储存原文,输出时编码一次。判断方法很直接——把页面上的文字复制出来,如果看到 & 而不是 &,就是多转了一层。修的时候不要靠「再解码一次」去补,那只是把两层错误抵消,换个入口又会冒出来。
工具这边也提一句:编码前先确认输入里是不是已经含实体。含 < 的文本直接点编码,会得到 &lt;。
2. 把实体当加密
你好 就是「你好」,任何浏览器、任何在线解码器一秒还原。
用实体「保护」邮箱、电话、链接,效果约等于零,爬虫和 AI 都认这套。反过来还有成本:一个中文字符在 UTF-8 里占 3 字节,写成 你 是 8 个字节。整页中文都转实体,体积涨一倍多,对首屏没有任何好处。
3. 在 <script> 和 <style> 里做实体编码
这两个元素的内容是「原始文本」(raw text),浏览器不解析其中的字符实体。在 script 里写 var s = "a & b";,变量拿到的是 a & b 这 8 个字符,不是 a & b。这是很常见的 bug:后端统一做了 HTML 转义,塞进前端 JSON 的字符串就全带着 &、",页面显示时又多一层。
<script> 里真正要防的是 </script> 这种能提前闭合标签的序列,标准做法是把 < 写成 \u003C(JSON 序列化时常见),而不是 HTML 实体。
<textarea> 和 <title> 属于 RCDATA:实体照常解析,但不建标签。所以在 textarea 里写 <div> 会显示成 <div>,而写 </textarea> 会直接结束这个元素——这类元素要在服务端保证内容里不出现结束标签。
4. 只转 < 不转 &,或者顺序反了
自己写替换链时,如果先把 < 换成 <,再把 & 换成 &,刚生成的 < 会被第二次替换成 &lt;。顺序必须是 & 最先。
如果只转 < 不转 &,用户输入里的 < 会被浏览器当实体解析、显示成 <,你以为转义了,其实语义已经变了。
5. 在 XML / XHTML 里用
XML 只预定义五个实体:<、>、&、"、'。 、© 这些是 HTML 的命名实体,XML 解析器不认识,会直接报「实体未定义」。
所以页面以 application/xhtml+xml 提供,或者你在写 SVG、RSS、Office 文档的 XML 部分时,非 ASCII 字符一律用数字实体( )或直接写字面字符。这也是判断「一段内容能不能进 XML」的实用标准。
6. 把 URL 编码和 HTML 实体混为一谈
href="/s?q=a&b=2" 里那个 &,在 HTML 源码里要写成 &;但 URL 参数里的空格、中文、& 本身,需要的是 percent-encoding(%20、%E4%BD%A0、%26)。这是两层不同的编码,套错一层就会得到 ?q=a%26amp%3Bb%3D2 这种谁都不认识的东西。
顺序是:先对每个参数值做 URL 编码,拼成完整 URL,再把整条 URL 放进 HTML 属性时对 & 做 HTML 实体编码。
什么时候真的需要它
- 技术文档、教程、博客里要展示标签和代码片段;
- 从网页源码、旧数据库里导出带实体的文本,想还原成人能读的内容;
- 输出到 charset 不可控的老系统(旧邮件模板、老旧 CMS、部分硬件设备界面),用数字实体做保底;
- 需要录入 ©、®、×、→、≠ 这类键盘打不出来的符号,用命名实体最省事;
- 排查「页面上多了 &」这类显示问题,快速确认到底是哪一层多转了一次。
反过来,如果页面已经是 UTF-8、你只是想让中文正常显示,不需要把中文转成实体。现代浏览器和模板引擎都能直接处理,转了只会让源码更难读、体积更大。
相关工具:Unicode 编码解码工具 用来看每个字符的码点和 UTF-8 字节,搞不清 你 对应哪个字、或者想确认某个 emoji 的码点时用它最直接;星点编码工具总览 里列了 Base64、Hex、哈希、转义等全部工具,可以按场景挑。数据是从 JSON 接口过来的、需要先处理 JSON 字符串里的转义,可以参考 JSON 工具指南——JSON 转义和 HTML 实体是两套规则,别混用。
常见问题(FAQ)
HTML 实体编码能防 XSS 吗?
不能。实体转换只保证字符显示成文字,不判断输出上下文,也不过滤标签、事件属性和危险协议。防 XSS 需要按输出位置做对应编码,富文本用白名单 sanitizer,再配合 CSP 等机制。命名实体、十进制实体和十六进制实体有什么区别?
同一个字符的三种写法,渲染结果完全一样。命名实体可读性最好;数字实体的值是 Unicode 码点,十进制和十六进制只是进制不同,都不依赖页面 charset,适合输出到编码不可控的环境。为什么页面上直接显示了实体原文,而不是尖括号?
说明被编码了两次,或者编码之后又被转义了一次。常见原因是入库前转义、模板输出时再转义。存储应该保留原文,只在最终输出时编码一次。中文需要转成 HTML 实体吗?
一般不需要。UTF-8 页面可以直接写中文。只有输出到 charset 不可控的老系统、或者必须保证纯 ASCII 时才用扩展非 ASCII 模式。单引号该用 ' 还是 '?
两者表示同一个字符。' 在 XML 和 HTML5 里有定义,HTML4 没有,老系统可能不认;兼容面想宽一些用 '。工具里两种都能选。解码时遇到不认识的实体名怎么办?
工具默认保留原样,避免误删内容,同时也能让你看出拼写错误;需要批量校验数据时可以切换成报错模式。数据会上传吗?需要注册吗?
不会上传,也不需要注册。转换在浏览器本地完成,不产生网络请求。小结
HTML 实体解决的问题很窄:让字符以字符的身份出现,而不是被当成语法。五个关键字符里,& 最容易被忘,' 最容易被漏,> 最容易被「浏览器能容错」惯坏。命名实体、十进制、十六进制三种写法渲染结果一致,差别在可读性和兼容性。至于安全,它明确不是 sanitizer——输出编码、白名单清洗、上下文匹配,一个都不能省。
需要转换的时候直接打开 HTML 实体编码解码工具,粘进去就行。
文章分享
如果这篇文章对你有帮助,欢迎分享给更多人!