如何将 html 实体转换为可读文本？

Question

我想要像 ę 这样的 html 数字实体 并想将其转换为真实字符。我收到的邮件主要来自于linkedin，看起来像这样：

chciałabym zapytać, czy rozważa Pan takze udział w nowych projektach w 华沙？Obecnie poszukujemy specjalisty javascript/architekta z bardzo dobrą znajomością Angular.js do projektu, który dotyczy systemu, służącego do monitorowania i zarządzania flotą pojazdów. Zespół, do którego poszukujemy

我正在使用clawsmail，切换到html 不要将其转换为文本，我尝试复制和使用

xclip -o -sel clip | html2text | less

但它没有转换实体。有没有办法使用命令行工具获得该文本？

我能想到的唯一方法是data:text/html,<PASTE THE EMAIL>在浏览器中使用和打开它，但更喜欢命令行。

Answer 1

使用 Free recode（以前称为 GNU recode）：

recode html < file

如果您没有recode或HTML::Entities只需要解码&#x<hex>;实体，您可以手动完成：

perl -Mopen=locale -pe 's/&#x([\da-f]+);/chr hex $1/gie'

Answer 2

从如何解码 HTML 实体？在 StackOverflow 上，您可以实现一个简单的 perl 解决方案，例如

perl -Mopen=locale -MHTML::Entities -pe '$_ = decode_entities($_)' email.txt

例如使用您的示例文本

$ perl -Mopen=locale -MHTML::Entities -pe '$_ = decode_entities($_)' email.txt
chcia?abym zapyta?, czy rozwa?a Pan takze udzia? w nowych projektach w Warszawie ? Obecnie poszukujemy specjalisty javascript/architekta z bardzo dobr? znajomo?ci? Angular.js do projektu, który dotyczy systemu, s?u??cego do monitorowania i zarz?dzania flot? pojazdów. Zespó?, do którego poszukujemy

使用-Mopen=locale，I/O 在语言环境的字符集中完成。这包括来自email.txt. 它看起来email.txt只包含 ASCII 字符（使用&#x<hex>;我想的符号对这些字符进行编码的全部内容），但如果不是，您可能需要修改上述内容以使用正确的字符集解码该文件（如果它与语言环境的不同一) 而不是使用open=locale.

Answer 3

python 3.2+版本，可以在管道中使用：

python3 -c 'import html, sys; [print(html.unescape(l), end="") for l in sys.stdin]' < file