Question

我正在尝试自动化一系列查询但是，要做到这一点，我需要用相应的html实体替换带有重音的字符。出于原因，它需要在Python3中

示例：

vèlit 
[needs to become] 
v&egrave;lit

问题是，每当我尝试做一个word.replace时，它都找不到它。

此：

if u'è' in sentence:
    print(u'Found è')

工作并找到“è”，但正在做：

word.replace('è','&egrave;')

什么都不做。

Answer 1

将word.replace('è','è')替换为word = word.replace('è','è')并打印结果以进行检查。

word.replace('è','è')确实有效，但它实际上并未对word内容本身进行任何更改。

检查str.replace()

Answer 2

您可以使用str.translate方法和python的html包中的数据将字符转换为等效的html实体。

为此，str.translate需要一个字典，将字符（技术上是字符的整数表示，或ordinal）映射到html实体。

html.entities.codepoint2name包含所需数据，但实体名称不受'＆amp;'限制和';'。您可以使用dict理解来创建包含所需值的表。

创建表后，使用表作为参数调用字符串的translate方法，结果将是一个新字符串，其中任何具有等效html实体的字符都将被转换。

>>> import html.entities
>>> s = 'vèlit'

>>> # Create the translation table
>>> table = {k: '&{};'.format(v) for k, v in html.entities.codepoint2name.items()}

>>> s.translate(table)
'v&egrave;lit'

>>> 'Voilà'.translate(table)
'Voil&agrave;'

请注意，重音拉丁字符可以由unicode代码点组合表示：'è'可以用单个代码点表示 - LATIN SMALL LETTER E WITH GRAVE - 或两个代码点 - LATIN SMALL LETTER E 后跟 COMBINING GRAVE ACCENT 。在后一种情况下（称为分解的形式），翻译将无法按预期工作。

要解决此问题，您可以使用{{3}中的normalize函数将双码点分解表单转换为单个代码点撰写表单Python标准库中的模块。

>>> decomposed
'vèlit'
>>> decomposed == s
False
>>> len(decomposed)    # decomposed is longer than composed
6
>>> decomposed.translate(table)
'vèlit'
>>> composed = unicodedata.normalize('NFC', decomposed)
>>> composed == s
True
>>> composed.translate(table)
'v&egrave;lit'

Answer 3

作为对 snakecharmerb 提供的答案的更新，知道 Python 3.3 引入了 html.entities.html5 将更多字符映射到等效的 Unicode 字符可能会有所帮助。

对我来说，我需要那本字典，因为 sidebar <- dashboardSidebar( width=280, sidebarMenu(id = "sidebarmenu", menuItem(...), menuItem(..., menuSubItem(...), menuSubItem(...) ) ), sidebarMenu(id = "conditional_sidebarmenu", conditionalPanel(condition = "output.x === 1", menuItem("title", tabName="tabname") ) ) 不包括 codepoint2name。

因此，创建翻译表的代码稍微更改为：

ł

我从https://stackoverflow.com/a/7291240/1233830得到的table = {get_wide_ordinal(v): '&{}'.format(k) for k, v in html.entities.html5.items()}：

get_wide_ordinal

因为 def get_wide_ordinal(char): if len(char) != 2: return ord(char) return 0x10000 + (ord(char[0]) - 0xD800) * 0x400 + (ord(char[1]) - 0xDC00) 查找中的某些字符是两个字节宽。

请注意，此表中的 HTML5 实体do以 html5 结尾，这就是将其从格式字符串中删除的原因。

Python 3.5用html实体替换重音字符

3 个答案: