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

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 & 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')

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 & 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。

解决方案 6：

我不确定这是否是一个内置库，但它看起来像你需要的并且支持 3.1。

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

xml.sax.saxutils.unescape(data, entities={}) 对数据字符串中的 '&'、'<' 和 '>' 进行取消转义。