使用BaseX 10.7解析含HTML字符的JSON时遇转义问题求助

• 先确认JSON源文件的转义状态
  检查你的原始JSON文件：如果里面的HTML字符已经是双重转义状态（比如<p>被写成<p>，然后在JSON里又被转义为<p>），那BaseX解析后自然会得到<p>。这种情况下需要先还原实体：

  let $parsed-json := json:parse(file:read('your-file.json'))
  -- 批量还原所有HTML实体的转义
  let $decoded-text := fn:replace($parsed-json/text, '&([a-zA-Z0-9]+);', '&$1;')
  return $decoded-text
  

• 结合html:parse处理HTML内容
  还原实体后，若需要将文本转为可操作的HTML节点，使用BaseX的html:parse函数：

  let $json-content := file:read('your-file.json')
  let $parsed-json := json:parse($json-content)
  let $decoded-text := fn:replace($parsed-json/text, '&([a-zA-Z0-9]+);', '&$1;')
  -- 解析为HTML节点，可设置解析器模式适配宽松HTML
  let $html := html:parse($decoded-text, map { 'parser': 'tagsoup' })
  return $html//p/strong
  

• 调整BaseX的HTML解析全局设置
  如果html:parse解析异常，可在BaseX控制台设置HTML解析器为更宽容的TagSoup模式：

  SET HTML.PARSER TAGSoup
  

  这个设置会让BaseX更好地处理不规范的HTML标签。

• 从源头避免双重转义
  如果JSON是你自己生成的，确保生成时只转义JSON要求的特殊字符（双引号、反斜杠等），不要额外转义HTML标签。比如在生成JSON时，直接将<p>...</p>作为字符串值写入，而不是先转成<p>...</p>再写入。

内容的提问来源于stack exchange，提问作者Semis