146

我有一个 HTML 编码的字符串:

'''<img class="size-medium wp-image-113"\
 style="margin-left: 15px;" title="su1"\
 src="http://blah.org/wp-content/uploads/2008/10/su1-300x194.jpg"\
 alt="" width="300" height="194" />'''

我想将其更改为:

<img class="size-medium wp-image-113" style="margin-left: 15px;" 
  title="su1" src="http://blah.org/wp-content/uploads/2008/10/su1-300x194.jpg" 
  alt="" width="300" height="194" /> 

我希望将其注册为 HTML,以便浏览器将其呈现为图像,而不是显示为文本。

字符串是这样存储的,因为我正在使用一个名为 的网络抓取工具BeautifulSoup,它“扫描”网页并从中获取某些内容,然后以该格式返回字符串。

我发现如何在C#中做到这一点,但在Python中没有。有人可以帮我吗?

有关的

4

15 回答 15

136

鉴于 Django 用例,对此有两个答案。下面是它的django.utils.html.escape功能,供参考:

def escape(html):
    """Returns the given HTML with ampersands, quotes and carets encoded."""
    return mark_safe(force_unicode(html).replace('&', '&amp;').replace('<', '&l
t;').replace('>', '&gt;').replace('"', '&quot;').replace("'", '&#39;'))

为了扭转这种情况,杰克的回答中描述的猎豹功能应该可以工作,但缺少单引号。此版本包括一个更新的元组,替换顺序颠倒以避免对称问题:

def html_decode(s):
    """
    Returns the ASCII decoded version of the given HTML string. This does
    NOT remove normal HTML tags like <p>.
    """
    htmlCodes = (
            ("'", '&#39;'),
            ('"', '&quot;'),
            ('>', '&gt;'),
            ('<', '&lt;'),
            ('&', '&amp;')
        )
    for code in htmlCodes:
        s = s.replace(code[1], code[0])
    return s

unescaped = html_decode(my_string)

然而,这不是一个通用的解决方案。它仅适用于用 . 编码的字符串django.utils.html.escape。更一般地说,坚持使用标准库是个好主意:

# Python 2.x:
import HTMLParser
html_parser = HTMLParser.HTMLParser()
unescaped = html_parser.unescape(my_string)

# Python 3.x:
import html.parser
html_parser = html.parser.HTMLParser()
unescaped = html_parser.unescape(my_string)

# >= Python 3.5:
from html import unescape
unescaped = unescape(my_string)

作为建议:将未转义的 HTML 存储在数据库中可能更有意义。如果可能的话,值得考虑从 BeautifulSoup 返回未转义的结果,并完全避免这个过程。

使用 Django,转义只发生在模板渲染期间;因此,为了防止转义,您只需告诉模板引擎不要转义您的字符串。为此,请在模板中使用以下选项之一:

{{ context_var|safe }}
{% autoescape off %}
    {{ context_var }}
{% endautoescape %}
于 2008-11-08T21:40:37.943 回答
134

使用标准库:

  • HTML转义

    try:
        from html import escape  # python 3.x
    except ImportError:
        from cgi import escape  # python 2.x
    
    print(escape("<"))
    
  • HTML 转义

    try:
        from html import unescape  # python 3.4+
    except ImportError:
        try:
            from html.parser import HTMLParser  # python 3.x (<3.4)
        except ImportError:
            from HTMLParser import HTMLParser  # python 2.x
        unescape = HTMLParser().unescape
    
    print(unescape("&gt;"))
    
于 2011-08-17T05:51:23.393 回答
80

对于 html 编码,标准库中有cgi.escape

>> help(cgi.escape)
cgi.escape = escape(s, quote=None)
    Replace special characters "&", "<" and ">" to HTML-safe sequences.
    If the optional flag quote is true, the quotation mark character (")
    is also translated.

对于 html 解码,我使用以下内容:

import re
from htmlentitydefs import name2codepoint
# for some reason, python 2.5.2 doesn't have this one (apostrophe)
name2codepoint['#39'] = 39

def unescape(s):
    "unescape HTML code refs; c.f. http://wiki.python.org/moin/EscapingHtml"
    return re.sub('&(%s);' % '|'.join(name2codepoint),
              lambda m: unichr(name2codepoint[m.group(1)]), s)

对于更复杂的事情,我使用 BeautifulSoup。

于 2009-01-16T01:12:53.993 回答
20

如果编码字符集相对受限,请使用丹尼尔的解决方案。否则,请使用众多 HTML 解析库之一。

我喜欢 BeautifulSoup,因为它可以处理格式错误的 XML/HTML:

http://www.crummy.com/software/BeautifulSoup/

对于您的问题,他们的文档中有一个示例

from BeautifulSoup import BeautifulStoneSoup
BeautifulStoneSoup("Sacr&eacute; bl&#101;u!", 
                   convertEntities=BeautifulStoneSoup.HTML_ENTITIES).contents[0]
# u'Sacr\xe9 bleu!'
于 2008-11-09T01:15:21.333 回答
15

在 Python 3.4+ 中:

import html

html.unescape(your_string)
于 2015-07-08T01:54:02.450 回答
8

请参阅此页面底部的Python wiki,“unes​​cape” html 至少有 2 个选项。

于 2008-11-23T13:50:40.003 回答
6

丹尼尔的评论作为答案:

“转义只发生在 Django 中的模板渲染期间。因此,不需要转义 - 你只需告诉模板引擎不要转义。{{ context_var|safe }} 或 {% autoescape off %}{{ context_var }}{ % endautoescape %}"

于 2009-10-24T22:04:16.410 回答
5

我在以下位置找到了一个很好的功能:http ://snippets.dzone.com/posts/show/4569

def decodeHtmlentities(string):
    import re
    entity_re = re.compile("&(#?)(\d{1,5}|\w{1,8});")

    def substitute_entity(match):
        from htmlentitydefs import name2codepoint as n2cp
        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()

    return entity_re.subn(substitute_entity, string)[0]
于 2010-07-17T13:27:49.123 回答
4

如果有人正在寻找一种通过 django 模板执行此操作的简单方法,您可以随时使用如下过滤器:

<html>
{{ node.description|safe }}
</html>

我有一些来自供应商的数据,我发布的所有内容都在呈现的页面上实际写入了 html 标签,就好像您正在查看源代码一样。

于 2011-12-21T17:08:31.887 回答
3

尽管这是一个非常古老的问题,但这可能会奏效。

Django 1.5.5

In [1]: from django.utils.text import unescape_entities
In [2]: unescape_entities('&lt;img class=&quot;size-medium wp-image-113&quot; style=&quot;margin-left: 15px;&quot; title=&quot;su1&quot; src=&quot;http://blah.org/wp-content/uploads/2008/10/su1-300x194.jpg&quot; alt=&quot;&quot; width=&quot;300&quot; height=&quot;194&quot; /&gt;')
Out[2]: u'<img class="size-medium wp-image-113" style="margin-left: 15px;" title="su1" src="http://blah.org/wp-content/uploads/2008/10/su1-300x194.jpg" alt="" width="300" height="194" />'
于 2015-02-01T21:31:08.733 回答
2

我在 Cheetah 源代码中找到了这个(这里

htmlCodes = [
    ['&', '&amp;'],
    ['<', '&lt;'],
    ['>', '&gt;'],
    ['"', '&quot;'],
]
htmlCodesReversed = htmlCodes[:]
htmlCodesReversed.reverse()
def htmlDecode(s, codes=htmlCodesReversed):
    """ Returns the ASCII decoded version of the given HTML string. This does
        NOT remove normal HTML tags like <p>. It is the inverse of htmlEncode()."""
    for code in codes:
        s = s.replace(code[1], code[0])
    return s

不知道他们为什么要颠倒列表,我认为这与他们的编码方式有关,所以对你来说可能不需要颠倒。另外,如果我是您,我会将 htmlCodes 更改为元组列表而不是列表列表……尽管这将在我的库中进行:)

我注意到你的标题也要求编码,所以这里是 Cheetah 的编码功能。

def htmlEncode(s, codes=htmlCodes):
    """ Returns the HTML encoded version of the given string. This is useful to
        display a plain ASCII text string on a web page."""
    for code in codes:
        s = s.replace(code[0], code[1])
    return s
于 2008-11-08T20:58:52.227 回答
1

你也可以使用 django.utils.html.escape

from django.utils.html import escape

something_nice = escape(request.POST['something_naughty'])
于 2012-02-27T16:01:44.960 回答
0

下面是一个使用 module 的 python 函数htmlentitydefs。它并不完美。我拥有的版本htmlentitydefs不完整,它假设所有实体都解码为一个代码点,这对于以下实体是错误的&NotEqualTilde;

http://www.w3.org/TR/html5/named-character-references.html

NotEqualTilde;     U+02242 U+00338    ≂̸

有了这些警告,这里是代码。

def decodeHtmlText(html):
    """
    Given a string of HTML that would parse to a single text node,
    return the text value of that node.
    """
    # Fast path for common case.
    if html.find("&") < 0: return html
    return re.sub(
        '&(?:#(?:x([0-9A-Fa-f]+)|([0-9]+))|([a-zA-Z0-9]+));',
        _decode_html_entity,
        html)

def _decode_html_entity(match):
    """
    Regex replacer that expects hex digits in group 1, or
    decimal digits in group 2, or a named entity in group 3.
    """
    hex_digits = match.group(1)  # '&#10;' -> unichr(10)
    if hex_digits: return unichr(int(hex_digits, 16))
    decimal_digits = match.group(2)  # '&#x10;' -> unichr(0x10)
    if decimal_digits: return unichr(int(decimal_digits, 10))
    name = match.group(3)  # name is 'lt' when '&lt;' was matched.
    if name:
        decoding = (htmlentitydefs.name2codepoint.get(name)
            # Treat &GT; like &gt;.
            # This is wrong for &Gt; and &Lt; which HTML5 adopted from MathML.
            # If htmlentitydefs included mappings for those entities,
            # then this code will magically work.
            or htmlentitydefs.name2codepoint.get(name.lower()))
        if decoding is not None: return unichr(decoding)
    return match.group(0)  # Treat "&noSuchEntity;" as "&noSuchEntity;"
于 2011-12-15T18:01:24.410 回答
0

这是解决此问题的最简单方法 -

{% autoescape on %}
   {{ body }}
{% endautoescape %}

这个页面

于 2012-06-30T09:56:10.010 回答
0

在 Django 和 Python 中搜索此问题的最简单解决方案,我发现您可以使用内置函数来转义/取消转义 html 代码。

例子

我将您的 html 代码保存在scraped_htmlclean_html

scraped_html = (
    '&lt;img class=&quot;size-medium wp-image-113&quot; '
    'style=&quot;margin-left: 15px;&quot; title=&quot;su1&quot; '
    'src=&quot;http://blah.org/wp-content/uploads/2008/10/su1-300x194.jpg&quot; '
    'alt=&quot;&quot; width=&quot;300&quot; height=&quot;194&quot; /&gt;'
)
clean_html = (
    '<img class="size-medium wp-image-113" style="margin-left: 15px;" '
    'title="su1" src="http://blah.org/wp-content/uploads/2008/10/su1-300x194.jpg" '
    'alt="" width="300" height="194" />'
)

姜戈

你需要 Django >= 1.0

逃逸

要取消您抓取的 html 代码,您可以使用django.utils.text.unescape_entities

将所有命名和数字字符引用转换为相应的 unicode 字符。

>>> from django.utils.text import unescape_entities
>>> clean_html == unescape_entities(scraped_html)
True

逃脱

要转义干净的 html 代码,您可以使用django.utils.html.escape

返回带有 & 符号、引号和尖括号的给定文本,这些文本经过编码以便在 HTML 中使用。

>>> from django.utils.html import escape
>>> scraped_html == escape(clean_html)
True

Python

你需要 Python >= 3.4

逃逸

要对抓取的 html 代码进行转义,您可以使用html.unescape

将字符串 s 中的所有命名和数字字符引用(例如,、、&gt;&#62;转换&x3e;为相应的 unicode 字符。

>>> from html import unescape
>>> clean_html == unescape(scraped_html)
True

逃脱

要转义干净的 html 代码,您可以使用html.escape

将字符&,<>in 字符串 s 转换为 HTML 安全序列。

>>> from html import escape
>>> scraped_html == escape(clean_html)
True
于 2018-07-18T14:13:33.250 回答