如何在PHP中实现与Node.js ent.encode一致的HTML实体编码效果？

问题背景 #

我在Node.js项目中使用ent包进行HTML实体编码，示例代码及结果如下：

var ent          = require('ent'); 
let encodeString = ent.encode( 'Lorem Ipsum 🚲 Dolor 542  O’ipsum for ❤️ dummy' ) ;

编码结果：
Lorem Ipsum 🚲 Dolor 542 O’ipsum for ❤️ dummy

但在PHP中使用htmlentities尝试时，无法复现相同结果：

$string = addslashes(trim(htmlentities('Lorem Ipsum 🚲 Dolor 542  O’ipsum for ❤️ dummy', ENT_COMPAT, "UTF-8")));

实际输出：
Lorem Ipsum 🚲 Dolor 542 O’ipsum for ❤️ dummy

期望输出与Node.js ent.encode的结果完全一致，且数据库排序规则为utf8mb4_unicode_ci，直接保存未编码内容部分emoji无效，编码后保存可正常工作。

差异原因 #

• ent.encode默认会将所有非ASCII字符及HTML特殊字符转换为十进制数字实体；
• PHP的htmlentities仅默认转换部分特殊字符，且对Emoji等Unicode字符不做转换，同时会将部分字符（如右单引号）转换为命名实体（如’）而非十进制实体。

解决方案 #

自定义一个PHP函数，模拟ent.encode的编码逻辑：

function ent_encode($str) {
    $result = '';
    $length = mb_strlen($str, 'UTF-8');
    
    for ($i = 0; $i < $length; $i++) {
        $char = mb_substr($str, $i, 1, 'UTF-8');
        $charCode = mb_ord($char, 'UTF-8');

        // 处理ASCII范围内的HTML特殊字符
        if ($charCode <= 127) {
            switch ($char) {
                case '&':
                    $result .= '&amp;';
                    break;
                case '<':
                    $result .= '&lt;';
                    break;
                case '>':
                    $result .= '&gt;';
                    break;
                case '"':
                    $result .= '&quot;';
                    break;
                case "'":
                    $result .= '&#39;';
                    break;
                default:
                    $result .= $char;
                    break;
            }
        } else {
            // 非ASCII字符全部转为十进制实体
            $result .= '&#' . $charCode . ';';
        }
    }

    return $result;
}

// 测试示例
$originalStr = 'Lorem Ipsum 🚲 Dolor 542  O’ipsum for ❤️ dummy';
$encodedStr = ent_encode($originalStr);
echo $encodedStr;

执行后会得到与Node.js ent.encode完全一致的结果：
Lorem Ipsum 🚲 Dolor 542 O’ipsum for ❤️ dummy

说明 #

• 使用mb_ord和mb_substr确保正确处理UTF-8多字节字符，避免乱码；
• 对HTML特殊字符的处理逻辑与ent包保持一致；
• 所有非ASCII字符（包括Emoji）均转换为十进制实体，存入utf8mb4_unicode_ci数据库不会出现兼容性问题。

内容的提问来源于stack exchange，提问作者Ajith