NodeJS中解码ISO-8859-1编码XML实体波兰文本的问题

问题背景 #

从SOAP接口获取的波兰文本中，变音符号被编码为基于ISO-8859-1的十进制XML实体（例如输入Borek Fałęcki），使用entities或html-entities等常规库解码会得到乱码（Borek Fałęcki），而PHP通过指定字符集参数可正常解码，现需NodeJS下的等效实现。

核心原理 #

原接口的编码逻辑是：将波兰语变音符号（如ł、ę）先按ISO-8859-1编码为字节序列，再将每个字节单独转为十进制XML实体。因此解码需反向操作：

1. 解码XML实体，得到对应ISO-8859-1字节的Unicode字符
2. 将这些字符转为ISO-8859-1编码的Buffer
3. 再将Buffer转成UTF-8字符串

解决方案代码 #

方案1：使用第三方实体库（推荐）

借助entities库完成实体解码，再手动处理字符集转换：

const { decodeXML } = require('entities');

function decodeIso88591Entities(text) {
    // 解码XML实体，得到对应ISO-8859-1字节的Unicode字符
    const decodedChars = decodeXML(text);
    // 转换为ISO-8859-1 Buffer，再转UTF-8字符串
    return Buffer.from(decodedChars, 'latin1').toString('utf8');
}

// 测试
const input = 'Borek Fałęcki';
console.log(decodeIso88591Entities(input)); // 输出：Borek Fałęcki

方案2：不依赖第三方库

手动正则匹配并解码实体，再处理字符集：

function decodeIso88591Entities(text) {
    // 匹配所有十进制XML实体，替换为对应字符
    const decodedChars = text.replace(/&#(\d+);/g, (_, numStr) => {
        const num = parseInt(numStr, 10);
        return String.fromCharCode(num);
    });
    // 转换字符集得到最终结果
    return Buffer.from(decodedChars, 'latin1').toString('utf8');
}

// 测试
const input = 'Borek Fałęcki';
console.log(decodeIso88591Entities(input)); // 输出：Borek Fałęcki

说明 #

PHP的html_entity_decode支持直接指定字符集参数，内部自动完成“实体解码→字符集转换”的流程；而NodeJS的主流实体库默认仅按UTF-8逻辑处理，因此需要手动拆分这两步来模拟PHP的处理逻辑。

内容的提问来源于stack exchange，提问作者veodko