从字符串中正确删除 html 实体

Question

我在从字符串中删除 html 实体时遇到问题。 我尝试System.Web.HttpUtility.HtmlDecode ，并希望看到  被替换为常规空间。 相反，会返回一个奇怪的十六进制代码。 我已阅读以下两个主题并了解到这很可能是编码问题，但我找不到解决方法。

删除字符串中的 HTML 实体

如何在不知道字符串中包含哪些标签的情况下从字符串中删除所有 HTML 标签？ （“我意识到……”，Thierry_S）

应该从html代码和实体中剥离的源字符串以SQL_Latin1_General_CP1_CI_AI作为排序SQL_Latin1_General_CP1_CI_AI保存在数据库中，但对于我的单元测试，我只是在Visual Studio中创建了一个测试字符串，其中的编码不一定与编码相同存储在数据库中的数据。

我的单元测试断言“不等于”，因为  没有替换为常规空间。 最初，它返回2C ，但经过大量测试并尝试从某种编码转换为另一种编码后，即使我已从函数中删除了所有编码更改代码，它现在也返回A0 。

我的问题有两个：

1. 如何让我的单元测试通过？
2. 我的测试是否正确，因为数据库编码可能与我在单元测试中手动输入的文本不同？

我的功能：

public static string StripHtml(string text)
{
    // Remove html entities like  
    text = System.Net.WebUtility.HtmlDecode(text);

    // Init Html Agility Pack
    var htmlDoc = new HtmlDocument();
    htmlDoc.LoadHtml(text);

    // Return without html tags
    return htmlDoc.DocumentNode.InnerText;
}

我的单元测试：

public void StripHtmlTest()
{
    // arrange
    string html = "<p>This is&nbsp;a very <b>fat, <i>italic</i> and <u>underlined</u> text,<!-- foo bar --> sigh.</p> And 6 < 9 but > 3.";
    string actual;
    string expected = "This is a very fat, italic and underlined text, sigh. And 6 < 9 but > 3.";

    // act
    actual = StaticRepository.StripHtml(html);

    // assert
    Assert.AreEqual(expected, actual);
}

测试结果：

Message: Assert.AreEqual failed. Expected:<This is a very fat, italic and underlined text, sigh. And 6 < 9 but > 3.>. Actual:<This is a very fat, italic and underlined text, sigh. And 6 < 9 but > 3.>.

十六进制测试结果：

Answer 1

嗯  不是“常规”空间。 当您使用System.Net.WebUtility.HtmlDecode ，它将返回命名为 ' ' 的 html 实体的文本表示。 它看起来像普通的空格，但它有不同的含义。 nbsp的十进制表示实际上是160 ，十六进制是A0 ，因此您的单元测试和解码工作正常。
如果您想用常规空格替换nbsp ，您有几个选项，其中最简单的是在解码之前执行简单替换：

// where the second argument is whitespace char with decimal representation 32
text = text.Replace(" ", " "); 

关于初始运行：十六进制值2C是十进制44 ，即符号','（逗号）。 有没有可能你只是看错了角色？

关于 sql 排序规则：拉丁文一般能够存储 nbsp 符号，所以..我认为这不是问题。