将HTML实体（如＆）转换为Latex

Question

我正在编写一个应用程序，以使用Java和JSOAP从网站上检索某些文章。 该应用程序将文章的某些部分编译成.tex（ LaTeX ）文档，然后使用PDFLatex将其转换为PDF。

有些页面包含HTML实体，如＆或“，这些实体在PDF转换过程中引起错误。如何解决此问题？

Answer 1

有关tex-exchange的问题有一个指向整洁的转换列表的链接。 这些列是（按顺序）：

1. html实体（忽略大小写），不带&和;
2. 对应的unicode字符
3. 相应的乳胶命令（如果有）。 没有\\

以该列表为起点编写一些转换代码应该很容易。

Answer 2

HTML使用标记来构造数据， 标记由一系列字符定义。 这些标签以某些字符开头，并且包含某些字符，如果要使用分隔标签部分的字符之一，则需要使用一个character实体来表示它们。

这意味着& 并不是单个字符的某种怪异编码，实际上是五个字符的组合，这是向HTML渲染器（如Web浏览器）发出的仅显示字符&信号。

Tex是另一种野兽，它对使用“裸” & HTML的限制不一样，因此在使用Tex处理此类数据之前，您需要使用常规字符对所有HTML字符实体进行字符串替换。

请注意，有两种类型的字符实体。 一组包括“命名”实体，例如> 和< （分别为>和< ），而第二组为“编号”实体。 带编号的实体看起来像  本例中的“ 32”是指ISO-8859-1字符代码（在这种情况下为空格）。