我想使用简单的python regexp从足球（足球）网页上抓取一些信息。问题在于，像第一章“ÄRITALO”这样的球员出现了＆amp;＃196;＆amp;＃196; RITALO！
也就是说，html对特殊字符使用转义标记，例如＆amp;＃196;
有没有一种简单的方法将html读入正确的python字符串？如果它是XML / XHTML就很容易，解析器就会这样做。
答案 0 :(得分：7)
我建议BeautifulSoup进行HTML抓取。您还需要告诉它将HTML实体转换为相应的Unicode字符，如下所示：
>>> from BeautifulSoup import BeautifulSoup
>>> html = "<html>ÄÄRITALO!</html>"
>>> soup = BeautifulSoup(html, convertEntities=BeautifulSoup.HTML_ENTITIES)
>>> print soup.contents[0].string
ÄÄRITALO!
（如果标准codecs模块包含一个编解码器，这样会很好，这样你就可以"some_string".decode('html_entities')，但不幸的是它没有！）
修改 另一种方案： Python开发人员Fredrik Lundh（elementtree的作者，除其他外）在他的网站上有a function to unsecape HTML entities，它与十进制，十六进制和命名实体一起使用（BeautifulSoup不适用于十六进制实体）。
答案 1 :(得分：2)
尝试使用BeautifulSoup。它应该做的伎俩，并为您提供一个格式良好的DOM。
This blog条目似乎取得了一些成功。
答案 2 :(得分：0)