我正在抓取一个html页面，然后使用xml.dom.minidom.parseString（）创建一个dom对象。
然而，html页面有一个'＆amp;'。我可以使用cgi.escape将其转换为&，但它也会转换我的所有html＆lt;＆gt;标记到<>，这使得parseString（）不满意。
我该如何解决这个问题？我宁愿不只是破解它而直接取代“＆amp;”s
感谢
答案 0 :(得分：1)
呃，为什么？这就是我宁愿不只是破解它 直接取代“＆amp;”s
cgi.escape正在做的事情 - 实际上只是对必须转义的某些字符的搜索和替换操作。
如果您只想替换单个字符，只需替换单个字符：
yourstring.replace('&', '&')
不要在灌木丛中殴打。
答案 1 :(得分：1)
对于抓取，请尝试使用可以处理此类html“标记汤”的库，例如lxml，其中包含html parser（以及lxml.html中的专用html包），或{ {3}}（您还会发现这些库还包含其他能够更轻松地使用html进行抓取/处理的内容，除了能够处理格式错误的文档：从表单中获取信息，使用css选择器创建绝对超链接。 ..）
答案 2 :(得分：0)
如果您想确保不会意外地将已经转义的&（即未转换为&转换为&amp;或ß转换为{{ 1}}），你可以
&szlig;当import re
newstring = re.sub(r"&(?![A-Za-z])", "&", oldstring)
后面跟着一封信时，这将留下&。
答案 3 :(得分：0)
您不应使用XML解析器来解析非XML的数据。相反，找一个HTML解析器，从长远来看，你会更快乐。标准库有一些（HTMLParser和htmllib），而BeautifulSoup是一个备受喜爱的第三方包。