如何将HTML文件中的所有文本替换为HTML实体？（Node.js场景）

我来帮你搞定这个在Node.js里用JSDOM+jQuery处理HTML、把文本转成HTML实体的问题～ 你之前遇到的问题主要是没找到合适的文本节点遍历方式，以及缺少靠谱的实体编码逻辑，下面给你一步步的解决方案：

1. 先写一个可靠的HTML实体编码函数 #

JSDOM确实没有自带这个功能，我们自己实现一个，专门处理非ASCII字符和HTML特殊字符，转成你需要的&#xHH;格式：

function encodeHtmlEntities(str) {
  return str.split('').map(char => {
    const charCode = char.charCodeAt(0);
    // 处理非ASCII字符（比如带重音的葡语字符）
    if (charCode > 127) {
      return `&#x${charCode.toString(16).toUpperCase()};`;
    }
    // 处理HTML特殊字符，避免破坏标签结构
    switch(char) {
      case '<': return '&lt;';
      case '>': return '&gt;';
      case '&': return '&amp;';
      case '"': return '&quot;';
      default: return char;
    }
  }).join('');
}

这个函数会把Título da página转成Título da página，完全符合你的要求。

2. 递归遍历所有文本节点（跳过不需要处理的标签） #

直接遍历所有文本节点，但要注意跳过script、style这类标签——这些标签里的内容是代码，转义实体会导致功能失效。这里给你两种实现方式：

原生JSDOM版本 #

// 定义不需要处理的标签集合
const excludedTags = new Set(['script', 'style', 'noscript']);

function encodeTextNodes(node) {
  // 跳过目标标签
  if (node.nodeType === 1 && excludedTags.has(node.tagName.toLowerCase())) {
    return;
  }

  if (node.nodeType === 3) { // 处理文本节点
    node.nodeValue = encodeHtmlEntities(node.nodeValue);
  } else if (node.nodeType === 1) { // 遍历元素节点的子节点
    [...node.childNodes].forEach(child => encodeTextNodes(child));
  }
}

// 调用函数处理整个body
encodeTextNodes(document.body);

jQuery版本（适配你的技术栈） #

const excludedTags = new Set(['script', 'style', 'noscript']);

function encodeTextNodesJQuery(node) {
  const $currentNode = $(node);
  // 跳过不需要处理的标签
  if (excludedTags.has($currentNode.prop('tagName').toLowerCase())) {
    return;
  }

  // 遍历所有子节点
  $currentNode.contents().each((_, child) => {
    if (child.nodeType === 3) {
      // 替换文本节点内容
      child.nodeValue = encodeHtmlEntities(child.nodeValue);
    } else if (child.nodeType === 1) {
      // 递归处理子元素
      encodeTextNodesJQuery(child);
    }
  });
}

// 调用处理body
encodeTextNodesJQuery('body');

3. 提取处理后的HTML并存回数据库 #

处理完成后，直接获取整个文档的HTML或者body的HTML即可：

// 获取完整的处理后HTML
const processedHtml = document.documentElement.outerHTML;

// 或者只获取body部分（根据你的需求）
// const processedHtml = document.body.innerHTML;

// 之后把processedHtml存入数据库即可

对你之前尝试方法的问题分析 #

• 递归替换函数：你之前的代码只替换了"1"为"۱"，没有实现实体编码逻辑，而且没跳过script/style这类敏感标签，容易出问题。
• $('body').text()：这个方法会把所有HTML标签剥离，只保留纯文本，然后覆盖body内容，自然会破坏原有结构，完全不符合保留HTML标签的需求。

内容的提问来源于stack exchange，提问作者Fernando César S.