如何在 Python 3.1 中取消转义字符串中的 HTML 实体？[重复]-IT科技

如何在 Python 3.1 中取消转义字符串中的 HTML 实体？[重复]

2025-02-25 09:09:00

admin

原创

摘要：问题描述：我四处寻找，只找到了针对 Python 2.6 及更早版本的解决方案，没有找到有关如何在 Python 3.X 中执行此操作的任何信息。（我只能访问 Win7 框。）我必须能够在 3.1 中做到这一点，最好不使用外部库。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...

问题描述：

我四处寻找，只找到了针对 Python 2.6 及更早版本的解决方案，没有找到有关如何在 Python 3.X 中执行此操作的任何信息。（我只能访问 Win7 框。）

我必须能够在 3.1 中做到这一点，最好不使用外部库。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 不会解码 html 实体，据我所知，我在文档中找不到解码它的命令。

是的，我尝试过让 Beautiful Soup 在 3.X 中运行很多次，但都没有成功。如果您能提供关于如何在 MS Windows 环境中使用 Python 3 运行它的明确说明，我将不胜感激。

因此，为了清楚起见，我需要将这样的字符串转换Suzy & John为这样的字符串：“Suzy & John”。

解决方案 1：

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 &amp; John')
# 'Suzy & John'

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

在Python3.3或更早版本中：

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

在Python2中：

import HTMLParser
HTMLParser.HTMLParser().unescape('Suzy &amp; John')

解决方案 2：

您可以将其用于xml.sax.saxutils.unescape此目的。此模块包含在 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 &amp; John")
'Suzy & John'

解决方案 3：

显然，我的声誉不够高，除了发布此帖外什么也做不了。unutbu 的答案没有取消转义引号。我发现唯一能做到这一点的是这个函数：

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]

这是我从这个页面得到的。

解决方案 4：

Python 3.x也有html.entities

解决方案 5：

在我的例子中，我有一个在 as3 转义函数中转义的 html 字符串。经过一个小时的谷歌搜索，没有找到任何有用的东西，所以我编写了这个递归函数来满足我的需求。它在这里，

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)

编辑-1添加了处理unicode字符的功能。