解码 windows-1252 和引用可打印 HTML 的组合

Question

我收到一段代表 HTML 的文本，例如：

<html>\r\n<head>\r\n<meta http-equiv=3D\"Content-Type\" content=3D\"text/html; charset=3DWindows-1=\r\n252\">\r\n<style type=3D\"text/css\" style=3D\"display:none;\"><!-- P {margin-top:0;margi=\r\nn-bottom:0;} --></style>\r\n</head>\r\n<body dir=3D\"ltr\">This should be a pound sign: =A3 and this should be a long dash: =96 \r\n</body>\r\n</html>\r\n

从 HTML <meta> 标签中我可以看出 HTML 的片段应该被编码为 Windows-1252.

我正在使用node.js来解析这段文字cheerio。然而用 https://github.com/mathiasbynens/windows-1252 解码它没有帮助： windows1252.decode(myString); 返回相同的输入字符串。

我认为的原因是因为该输入字符串已经在标准 node.js 字符集中编码，但它实际上表示一个 windows-1252 编码的片段HTML（是否有意义？）。

检查以 = 开头的那些奇怪的十六进制数字，我可以看到有效的 windows-1252 代码，例如：

这个=\r\n和这个\r\n应该代表Windows世界中的马车return，
=3D: HEX 3D 是 DEC 61 这是一个等号: =,
=96：HEX 96 是 DEC 150，这是一个 'en dash' 符号：–（某种 "long minus symbol"），
=A3：HEX A3 是 DEC 163，这是一个井号：£

我无法控制那段 HTML 的生成，但我应该解析它并清理它并返回 £（而不是 =A3）等等

现在，我知道我可以保留一个包含转换的内存映射，但我想知道是否已经有一个涵盖整个 windows-1252 字符集的编程解决方案？

比照。这对于整个转换 table：https://www.w3schools.com/charsets/ref_html_ansi.asp

编辑：

输入 HTML 来自 IMAP 会话，所以似乎有一个 7 位/8 位 "quoted printable encoding" 在上游进行，我无法控制（参见 https://en.wikipedia.org/wiki/Quoted-printable）。

与此同时，我开始意识到这种额外的编码，并且我尝试了这个 quoted-printable（参见 https://github.com/mathiasbynens/quoted-printable）库，但没有成功。

以下是 MCV（根据要求）：

var cheerio = require('cheerio');
var windows1252 = require('windows-1252');
var quotedPrintable = require('quoted-printable');

const inputString = '<html>\r\n<head>\r\n<meta http-equiv=3D\"Content-Type\" content=3D\"text/html; charset=3DWindows-1=\r\n252\">\r\n<style type=3D\"text/css\" style=3D\"display:none;\"><!-- P {margin-top:0;margi=\r\nn-bottom:0;} --></style>\r\n</head>\r\n<body dir=3D\"ltr\">This should be a pound sign: =A3 and this should be a long dash: =96 \r\n</body>\r\n</html>\r\n'
const $ = cheerio.load(inputString, {decodeEntities: true});
const bodyContent = $('html body').text().trim();
const decodedBodyContent = windows1252.decode(bodyContent);

console.log(`The input string: "${bodyContent}"`);
console.log(`The output string: "${decodedBodyContent}"`);

if (bodyContent === decodedBodyContent) {
  console.log('The windows1252 output seems the same of as the input');
}

const decodedQp = quotedPrintable.decode(bodyContent)
console.log(`The decoded QP string: "${decodedQp}"`);

之前的脚本产生以下输出：

The input string: "This should be a pound sign: =A3 and this should be a long dash: =96"
The output string: "This should be a pound sign: =A3 and this should be a long dash: =96"
The windows1252 output seems the same of as the input
The decoded QP string: "This should be a pound sign: £ and this should be a long dash: "

在我的命令行上，我看不到长破折号，我不确定如何正确解码所有这些 =<something> 编码字符？

Answer 1

似乎通过 IMAP 接收的消息是结合了 2 种不同的编码：

实际字符串是根据 "quoted printable" 编码 (https://en.wikipedia.org/wiki/Quoted-printable) 编码的，因为我认为在通过 IMAP 通道（TCP 套接字）传输该信息时，7 位/8 位映射存在问题连接）
内容（电子邮件正文）的逻辑表示 HTML 带有 <meta> 标签和 Windows-1252 字符集

还有一个 "issue" 包含这些 HTML 块，在 Windows 风格 (\r\n) 中包含大量运输 returns。我必须预处理字符串来处理这个问题，在我的例子中：删除那些回车 returns.

以下 MCV 示例应显示清理和验证表示电子邮件正文的字符串内容的过程：

var quotedPrintable = require('quoted-printable');
var windows1252 = require('windows-1252');

const inputStr = 'This should be a pound sign: =A3 \r\nand this should be a long dash: =96\r\n';
console.log(`The original string: "${inputStr}"`);

// 1. clean the "Windows carriage returns" (\r\n)
const cleandStr = inputStr.replace(/\r\n/g, '');
console.log(`The string without carriage returns: "${cleandStr}"`);

// 2. decode using the "quoted printable protocol"
const decodedQp = quotedPrintable.decode(cleandStr)
console.log(`The decoded QP string: "${decodedQp}"`);

// 3. decode using the "windows-1252"
const windows1252DecodedQp = windows1252.decode(decodedQp);
console.log(`The windows1252 decoded QP string: "${windows1252DecodedQp}"`);

这给出了这个输出：

The original string: "This should be a pound sign: =A3
and this should be a long dash: =96
"
The string without carriage returns: "This should be a pound sign: =A3 and this should be a long dash: =96"
The decoded QP string: "This should be a pound sign: £ and this should be a long dash: "
The windows1252 decoded QP string: "This should be a pound sign: £ and this should be a long dash: –"

注意 "long dash character" before/after Windows-1252 解码阶段的渲染方式不同。

Afaik，这与 UTF-8 encoding/decoding 无关。我能够从中找出程序的"decoding order"：https://github.com/mathiasbynens/quoted-printable/issues/5

有一件事我不确定，我使用的操作系统运行这段代码是否对 charsets/encodings 文件或字符串流有某种影响。

我用过的npm包是：

解码 windows-1252 和引用可打印 HTML 的组合

Decoding a combination of windows-1252 and quoted printable HTML

html

node.js

character-encoding

windows-1252

quoted-printable