htmlspecialchars 详解

作者：林子木  wolinxuebin

转载请保留：http://blog.csdn.net/wolinxuebin

    由于还是码农新人，所以还未开始正式的编写大的工程代码，所以老员工给了我一个去年写的大的PHP工程的工程代码，先看下。抱着必须扫清每个死角的心里，下午碰到了

shtmlspecialchars()函数，网上一查挺多人都在用的，但不是PHP自带的，而是莫比较官方的写的。但是这里面的正则表达式着实让我纠结了一方，不讲废话了，切入正题。

[php]  view plain copy

1. function shtmlspecialchars($string) {  
2.     if(is_array($string)) {  
3.         foreach($string as $key => $val) {  
4.             $string[$key] = shtmlspecialchars($val);  
5.         }  
6.     } else {  
7.         $string = preg_replace('/&((#(\d{3,5}|x[a-fA-F0-9]{4})|[a-zA-Z][a-z0-9]{2,5});)/', '&\\1',  
8.             str_replace(array('&', '"', '<', '>'), array('&amp;', '&quot;', '&lt;', '&gt;'), $string));  
9.     }  
10.     return $string;  
11. }  

以上就是shtmlspecialchars()函数的定义，其他的不讲，就讲这句让很多人揪心的

[php]  view plain copy

1. $string = preg_replace('/&((#(\d{3,5}|x[a-fA-F0-9]{4})|[a-zA-Z][a-z0-9]{2,5});)/', '&\\1',  
2.             str_replace(array('&', '"', '<', '>'), array('&', '"', '<', '>'), $string));  

这里先介绍下这个函数的作用：

html中可能出现的四种特殊字符进行转义，分别是

&转&amp;

"转&quot;

<转&lt;

>转&lt;（ps:这个后面的分号";"是连在一起的，一个整体，不是作者为了分隔用的）


这与PHP自带的htmlspecialchars()效果刚好相反。


那么一般人里面会用下面的代码实现这个函数所要实现的功能

[php]  view plain copy

1. str_replace(array('&', '"', '<', '>'), array('&', '"', '<', '>'), $string));  

但是 等一等！


问：等什么？不是已经完成了这个功能了？

答：错，大错，特错了，你这叫宁可枉杀3000，不放过一个，不人道的呀。

问：哪里错了？

答：情况下面的内容！

如果仅仅用上面的函数，那么会将 html特殊字符和unicode编码 都破坏掉这可不是我们要的结果，具体字符表见文章后面的 附件 。

有人观察了字符表的所有数据，最后得出下面的结论：

1、 html特殊字符都是由&#开头后面加3-5个数字或者&#开头加一个字符和2-5个字符或数字组成的字符串
2、 unicode编码是以&#开头后面加4个16进制数字组成的字符串。


根据第一条， 我们应该写出正则表达式：&#/d{3,5}|[a-zA-Z][a-zA-Z0-9]{2,5};(ps：这个也是自带分号";"的)

根据第二条 ，可以得出&#[a-fA-F0-9]{4}; （ps：因为16进制是从0-f）


又由于前面的操作已经把&替换成了&amp;所以讲上面两条整合下就出了下面的

/&amp;((#(\d{3,5}|x[a-fA-F0-9]{4})|[a-zA-Z][a-z0-9]{2,5});)/

问题1：
有人问，是不是可以写成下面的样子

/&amp;#(((\d{3,5}|x[a-fA-F0-9]{4})|[a-zA-Z][a-z0-9]{2,5});)/

把井号提出来，当然可以，不过如果你要这样写，后面的再提，有些下改动。

我们把第一步操作

[php]  view plain copy

1. str_replace(array('&', '"', '<', '>'), array('&', '"', '<', '>'), $string));  

结果写成$string

那么反替换我们就可以简略的写成

preg_replace('/&amp;((#(\d{3,5}|x[a-fA-F0-9]{4})|[a-zA-Z][a-z0-9]{2,5});)/', '&\\1',$string)

这里，前面的正则表达式已经很清楚了，但是作者又后面的&\\1搞晕了，什么意思呀？

经查证\1代表正则表达式的第一个括号内的内容。

自己写了一个测试

[php]  view plain copy

1. <?php   
2.   
3. $string = 'x10p';  
4. $string1 = preg_replace('/(x)([0-9]+)p/', '&\\1',$string);  
5. $string2 = preg_replace('/x([0-9]+)p/', '&\\1',$string);  
6. echo $string1;  
7. echo '<br />';  
8. echo $string2;  
9. ?>  

输出的结果分别是

&x        第一括号内的是 x
&10     第一括号内的是10

[php]  view plain copy

1. preg_replace('/&((#(\d{3,5}|x[a-fA-F0-9]{4})|[a-zA-Z][a-z0-9]{2,5});)/', '&\\1',$string)  

结果就是仅仅把$amp;替换为&而后面的保留不变。

到这可以解决上面的问题1，是否可以把#拿出来，如果你吧#拿出来的话，那么就是说会将&amp;#都用&替换，然后后面的你得写'&#\\1'，这样就可以，不过是不是感觉

多此一举了？是的！

参考文献：


【1】 http://blog.csdn.net/wolinxuebin/article/details/7604194 《php正则表达式详解》


【2】http://www.jb51.net/onlineread/htmlchar.htm HTML字符表


【3】http://deerchao.net/tutorials/regex/regex.htm 30分钟正则表达式入门


【4】http://topic.csdn.net/u/20100426/15/391a9a98-a457-451a-84d3-92d8f60ff0c0.html   关于uchome函数里面的shtmlspecilachars的功能 【5】http://s.yanghao.org/program/viewdetail.php?i=8324 

附录：

                                   html 字符表

特殊符号	命名实体	十进制编码	特殊符号	命名实体	十进制编码	特殊符号	命名实体	十进制编码
Α	Α	Α	Β	Β	Β	Γ	Γ	Γ
Δ	Δ	Δ	Ε	Ε	Ε	Ζ	Ζ	Ζ
Η	Η	Η	Θ	Θ	Θ	Ι	Ι	Ι
Κ	Κ	Κ	Λ	Λ	Λ	Μ	Μ	Μ
Ν	Ν	Ν	Ξ	Ξ	Ξ	Ο	Ο	Ο
Π	Π	Π	Ρ	Ρ	Ρ	Σ	Σ	Σ
Τ	Τ	Τ	Υ	Υ	Υ	Φ	Φ	Φ
Χ	Χ	Χ	Ψ	Ψ	Ψ	Ω	Ω	Ω
α	α	α	β	β	β	γ	γ	γ
δ	δ	δ	ε	ε	ε	ζ	ζ	ζ
η	η	η	θ	θ	θ	ι	ι	ι
κ	κ	κ	λ	λ	λ	μ	μ	μ
ν	ν	ν	ξ	ξ	ξ	ο	ο	ο
π	π	π	ρ	ρ	ρ	ς	ς	ς
σ	σ	σ	τ	τ	τ	υ	υ	υ
φ	φ	φ	χ	χ	χ	ψ	ψ	ψ
ω	ω	ω	ϑ	ϑ	ϑ	ϒ	ϒ	ϒ
ϖ	ϖ	ϖ	•	•	•	…	…	…
′	′	′	″	″	″	‾	‾	‾
⁄	⁄	⁄	℘	℘	℘	ℑ	ℑ	ℑ
ℜ	ℜ	ℜ	™	™	™	ℵ	ℵ	ℵ
←	←	←	↑	↑	↑	→	→	→
↓	↓	↓	↔	↔	↔	↵	↵	↵
⇐	⇐	⇐	⇑	⇑	⇑	⇒	⇒	⇒
⇓	⇓	⇓	⇔	⇔	⇔	∀	∀	∀
∂	∂	∂	∃	∃	∃	∅	∅	∅
∇	∇	∇	∈	∈	∈	∉	∉	∉
∋	∋	∋	∏	∏	∏	∑	∑	−
−	−	−	∗	∗	∗	√	√	√
∝	∝	∝	∞	∞	∞	∠	∠	∠
∧	∧	⊥	∨	∨	⊦	∩	∩	∩
∪	∪	∪	∫	∫	∫	∴	∴	∴
∼	∼	∼	≅	≅	≅	≈	≈	≅
≠	≠	≠	≡	≡	≡	≤	≤	≤
≥	≥	≥	⊂	⊂	⊂	⊃	⊃	⊃
⊄	⊄	⊄	⊆	⊆	⊆	⊇	⊇	⊇
⊕	⊕	⊕	⊗	⊗	⊗	⊥	⊥	⊥
⋅	⋅	⋅	⌈	⌈	⌈	⌉	⌉	⌉
⌊	⌊	⌊	⌋	⌋	⌋	◊	◊	◊
♠	♠	♠	♣	♣	♣	♥	♥	♥
♦	♦	♦		 	 	¡	¡	¡
¢	¢	¢	£	£	£	¤	¤	¤
¥	¥	¥	¦	¦	¦	§	§	§
¨	¨	¨	©	©	©	ª	ª	ª
«	«	«	¬	¬	¬		­	­
®	®	®	¯	¯	¯	°	°	°
±	±	±	²	²	²	³	³	³
´	´	´	µ	µ	&#181	"	"	"
<	&lt;	&#60;	>	&gt;	&#62;	'		&#39;