将包含（html）em-dash的字符串转换为统一的统一表单？

Question

em-dash可以用两种形式写成，

• 小数形式＆amp;＃8212;
• 十六进制形式＆amp;＃x2014;

当它们被翻译成html格式（在浏览器中显示）时，它们显示相同的这个（ - ），一个em-dash。

现在，当em-dash再次转换为python时，它会变为\ u2014。

我的问题，给出了一串＆amp;＃8212;或＆amp;＃x2014;，有没有办法将它们转换为\ u2014？

Answer 1

你需要的是一个HTML解析器

#!/bin/python
import HTMLParser
parser=HTMLParser.HTMLParser()
print(parser.unescape("—"))

结果

—

Answer 2

试试ftfy。这是一个用于修复unicode问题的python库。

Answer 3

有人回答了我的问题，当我想将其标记为答案时，帖子似乎已被删除。感谢原版海报。

以下是他发布的答案： -

>>> import HTMLParser
>>> p = HTMLParser.HTMLParser()

>>> p.unescape(u'test8212 — aaa')
u'test8212 \u2014 aaa'

>>> p.unescape(u'test8212 — aaa')
u'test8212 \u2014 aaa'