使用OpenSP将SGML转XML时如何处理HTML实体？

核心原因分析 #

你遇到的错误本质是当前SGML声明使用的字符集不支持扩展字符：原SGML声明指定的BASESET是ISO 646-1983（ASCII字符集，仅包含0-127的字符），而HTML实体对应的Unicode字符（如–对应破折号）、直接输入的扩展字符（如–）都超出了这个字符集范围，导致解析器报错。

分步解决方案 #

1. 修改SGML声明，支持UTF-8字符集 #

将SGML声明中的字符集配置改为支持Unicode的UTF-8，这样就能容纳所有HTML实体对应的字符。替换后的SGML声明示例：

<!SGML "ISO 8879:1986"
-- SGML声明：支持UTF-8字符集 --
CHARSET
BASESET "UTF-8//CHARSET Unicode (UTF-8)//ESC 2/5 4/0"
DESCSET
        0       9   UNUSED
        9       2   9
       11       2   UNUSED
       13       1   13
       14       18  UNUSED
       32       95  32
      127       1   UNUSED
      128     2048 128  <!-- 覆盖Unicode基本多语言平面 -->

CAPACITY SGMLREF
        TOTALCAP        35000
        ENTCAP          35000
        ENTCHCAP        35000
        ELEMCAP         35000
        GRPCAP          35000
        EXGRPCAP        35000
        EXNMCAP         35000
        ATTCAP          35000
        ATTCHCAP        35000
        AVGRPCAP        35000
        NOTCAP          35000
        NOTCHCAP        35000
        IDCAP           35000
        IDREFCAP        35000
        MAPCAP          35000
        LKSETCAP        35000
        LKNMCAP         35000

SCOPE    DOCUMENT

SYNTAX
        SHUNCHAR CONTROLS 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
                18 19 20 21 22 23 24 25 26 27 28 29 30 31 127
BASESET  "UTF-8//CHARSET Unicode (UTF-8)//ESC 2/5 4/0"
DESCSET  0      65536    0  <!-- 覆盖全部Unicode基本平面 -->
FUNCTION RE     13
         RS     10
         SPACE  32
         TAB    SEPCHAR 9
NAMING   LCNMSTRT ""
         UCNMSTRT ""
         LCNMCHAR "-."
         UCNMCHAR "-."
         NAMECASE GENERAL YES
                  ENTITY  NO
DELIM    GENERAL SGMLREF
         SHORTREF SGMLREF
NAMES    SGMLREF
QUANTITY SGMLREF
        ATTCNT          250
        ATTSPLEN        960
        BSEQLEN         960
        DTAGLEN         16
        DTEMPLEN        16
        ENTLVL          16
        GRPCNT          250
        GRPGTCNT        96
        GRPLVL          16
        LITLEN          900
        NAMELEN         50
        NORMSEP         2
        PILEN           240
        TAGLEN          960
        TAGLVL          40

FEATURES
MINIMIZE DATATAG NO     OMITTAG  YES     RANK     NO     SHORTTAG YES
LINK     SIMPLE  NO     IMPLICIT NO     EXPLICIT NO
OTHER    CONCUR  NO     SUBDOC   NO     FORMAL   NO
APPINFO NONE>

2. 修正实体声明语法并正确定义HTML实体 #

原实体声明存在语法错误（多余的"），修改后可选择两种方式定义：

方式一：使用十进制Unicode引用（推荐，避免编码问题）

<!ENTITY ndash "&#8211;">
<!ENTITY nbsp "&#160;">
<!ENTITY eacute "&#233;">

方式二：直接使用UTF-8字符（需确保文件编码一致）

将SGML文件和DTD文件均保存为UTF-8编码，然后直接输入字符：

<!ENTITY ndash "–">
<!ENTITY nbsp " ">
<!ENTITY eacute "é">

3. 修正DOCTYPE声明的语法错误 #

原DOCTYPE中实体声明缺少闭合引号，修正后的完整示例：

<!DOCTYPE gp [ 
<!ENTITY % MYDTD    SYSTEM  "./my_dtd.dtd">
<!ENTITY ndash "&#8211;">
<!ENTITY nbsp "&#160;">
<!ENTITY eacute "&#233;">
%MYDTD;
]>

4. 确保文件编码一致性 #

• 将SGML文件、DTD文件全部保存为UTF-8编码（Windows下带BOM或无BOM均可，OpenSP通常能识别）。
• 转换时可通过osx.exe的-e utf-8参数指定输出编码，确保XML文件的编码正确。

额外技巧：复用HTML实体声明 #

如果需要支持大量HTML实体，可直接引用标准的HTML实体DTD（需确保文件路径正确）：

<!ENTITY % htmlEntities PUBLIC "-//W3C//ENTITIES HTML 4.01//EN" "html.ent">
%htmlEntities;

内容的提问来源于stack exchange，提问作者Yohan Chevalier