python - Python、XML、é 类型编码

Question

可能重复：
在 Python 中将 XML/HTML 实体转换为 Unicode 字符串

我正在使用 Python 阅读一个 excel XML 文档。我最终得到了很多字符，例如 é

代表各种重音字母（等）。有没有一种简单的方法可以将这些字符转换为 utf-8？

Answer 1

如果您只想将 HTML 实体解析为其 unicode 等效项：

>>> import HTMLParser
>>> parser = HTMLParser.HTMLParser()
>>> parser.unescape('é')
u'\xe9'
>>> print parser.unescape('é')
é

这适用于 Python 2.x，对于 3.x，导入是import html.parser

Answer 2

使用这个 QandA 和另一个的提示，我有一个似乎可行的解决方案。它需要整个文档并从文档中删除所有 html 实体。

import re
import HTMLParser

regexp = "&.+?;" 
list_of_html = re.findall(regexp, page) #finds all html entites in page
for e in list_of_html:
    h = HTMLParser.HTMLParser()
    unescaped = h.unescape(e) #finds the unescaped value of the html entity
    page = page.replace(e, unescaped) #replaces html entity with unescaped value