PostgreSQL-替换HTML实体

Question

我刚刚完成了从数据库中剥离HTML实体的任务，因为我们进行了很多爬网，并且某些爬网程序在输入时没有这样做:(

因此，我开始编写一堆看起来像这样的查询；

UPDATE nodes SET name=regexp_replace(name, 'à', 'à', 'g') WHERE name LIKE '%#xe0%';
UPDATE nodes SET name=regexp_replace(name, 'á', 'á', 'g') WHERE name LIKE '%#xe1%';
UPDATE nodes SET name=regexp_replace(name, 'â', 'â', 'g') WHERE name LIKE '%#xe2%';

显然，这是一种非常幼稚的方法。我一直在尝试找出解码功能是否可以做些聪明的事情。也许通过正则表达式抓住HTML实体一样/&#x(..);/，然后通过
刚刚 的%1部分到ASCII解码器，以及重建串…或东西…

我可以按查询继续吗？其中可能只有40个左右。

Answer 1

使用pl /
perlu编写函数并使用此模块https://metacpan.org/pod/HTML::Entities

当然，您需要安装perl并提供pl / perl。

1） 首先创建程序语言pl / perlu：

CREATE EXTENSION plperlu;

2） 然后创建一个像这样的函数：

CREATE FUNCTION decode_html_entities(text) RETURNS TEXT AS $$
    use HTML::Entities;
    return decode_entities($_[0]);
$$ LANGUAGE plperlu;

3） 然后可以像这样使用它：

select decode_html_entities('aaabbb&.... asasdasdasd …');
   decode_html_entities    
---------------------------
 aaabbb&.... asasdasdasd 鈥�
(1 row)