[ruby-dev:34434] Re: gsub with Hashを使ったCGI::unescapeHTML

成瀬です。

Kazuhiro NISHIYAMA wrote:
> 今のところ[ruby-core:15637]が入っていないので、encodeのinvalidのところが
> だめですが、

これどうなのでしょうかね。
すでに実装済みなのでしたらとりあえずコミットして頂けるとありがたいのですが。
# あと ISO-2022-JP とか CP932 とか

> CGI::unescapeHTMLはgsub with Hashを使うと以下のように
> できるのではないでしょうか。
> 
>   def CGI::unescapeHTML(string)
>     enc = string.encoding
>     h = Hash.new do |hash, key|
>       if $2
>         [Integer($2)].pack("U").force_encoding(Encoding::UTF_8).encode(enc, invalid: :dec_charref)
>       elsif $3
>         [$3.hex].pack("U").force_encoding(Encoding::UTF_8).encode(enc, invalid: :hex_charref)
>       else
>         key
>       end
>     end
>     h['&'] = '&'
>     h['"'] = '"'
>     h['&gt;'] = '<'
>     h['&lt;'] = '>'
>     string.gsub(/&(amp|quot|gt|lt|\#0*([0-9]+)|\#x([0-9A-Fa-f]+));/, h)
>   end
> 
> pack("U")がASCII-8BITの文字列を返してくるので

pack("U") や pack("U*") だと UTF-8 で返してもいい気がしてくるのですが、
[0x100, 0x80].pack("UC") とかを考えると微妙になってきます。

> force_encoding(Encoding::UTF_8)が必要とか

これは String#encode(to, from, opt) を使えば不要です。

> Hashのdefault_procの中で
> encが必要なので、毎回Hashを生成しないと行けないとかが気になりますが。

UNESCAPE_HTML_TABLE = Hash.new
とでもしておいて、
UNESCAPE_HTML_TABLE[enc] = h
あたりでキャッシュすれば毎回生成しなくて済みますね。

-- 
NARUSE, Yui  <[e-mail]>