75

我环顾四周，只找到了 python 2.6 及更早版本的解决方案，没有关于如何在 python 3.X 中执行此操作。（我只能访问 Win7 框。）

我必须能够在 3.1 中做到这一点，最好没有外部库。目前，我已经安装了 httplib2 并可以访问命令提示符 curl（这就是我获取页面源代码的方式）。不幸的是，curl 不解码 html 实体，据我所知，我在文档中找不到解码它的命令。

是的，我试图让 Beautiful Soup 工作，很多时候在 3.X 中都没有成功。如果您能提供有关如何使其在 MS Windows 环境中的 python 3 中工作的明确说明，我将不胜感激。

所以，为了清楚起见，我需要把这样的字符串：Suzy & John变成这样的字符串：“Suzy & John”。

4

6 回答 6

216

您可以使用函数html.unescape：

在Python3.4+中（感谢 JF Sebastian 的更新）：

import html
html.unescape('Suzy & John')
# 'Suzy & John'

html.unescape('"')
# '"'

在Python3.3或更早版本中：

import html.parser    
html.parser.HTMLParser().unescape('Suzy & John')

在Python2 中：

import HTMLParser
HTMLParser.HTMLParser().unescape('Suzy & John')
于 2010-03-02T03:00:32.037 回答
15

您可以xml.sax.saxutils.unescape用于此目的。该模块包含在 Python 标准库中，可在 Python 2.x 和 Python 3.x 之间移植。

>>> import xml.sax.saxutils as saxutils
>>> saxutils.unescape("Suzy & John")
'Suzy & John'
于 2010-03-02T03:03:50.977 回答
8

显然我没有足够高的声誉来做任何事情，除了发布这个。unutbu 的回答并没有避免引用。我发现做的唯一一件事就是这个功能：

import re
from htmlentitydefs import name2codepoint as n2cp

def decodeHtmlentities(string):
    def substitute_entity(match):        
        ent = match.group(2)
        if match.group(1) == "#":
            return unichr(int(ent))
        else:
            cp = n2cp.get(ent)
            if cp:
                return unichr(cp)
            else:
                return match.group()
    entity_re = re.compile("&(#?)(\d{1,5}|\w{1,8});")
    return entity_re.subn(substitute_entity, string)[0]

我从这个页面得到的。

于 2010-09-26T07:09:13.830 回答
3

Python 3.x 也有html.entities

于 2010-03-02T03:01:41.623 回答
2

就我而言，我在 as3 转义函数中转义了一个 html 字符串。经过一个小时的谷歌搜索没有发现任何有用的东西，所以我写了这个 recursive 函数来满足我的需要。这里是，

def unescape(string):
    index = string.find("%")
    if index == -1:
        return string
    else:
        #if it is escaped unicode character do different decoding
        if string[index+1:index+2] == 'u':
            replace_with = ("\\"+string[index+1:index+6]).decode('unicode_escape')
            string = string.replace(string[index:index+6],replace_with)
        else:
            replace_with = string[index+1:index+3].decode('hex')
            string = string.replace(string[index:index+3],replace_with)
        return unescape(string)

Edit-1添加了处理 Unicode 字符的功能。

于 2012-10-25T12:52:39.973 回答
1

我不确定这是否是内置库，但它看起来像您需要的并支持 3.1。

来自：http ://docs.python.org/3.1/library/xml.sax.utils.html?highlight=html%20unescape

xml.sax.saxutils.unescape(data, entity={}) 在数据字符串中取消转义“&”、“<”和“>”。

于 2010-03-02T03:02:19.563 回答