Question

我正在做一些网页抓取，网站经常使用HTML实体来表示非ascii字符。 Python有一个实用程序，它接受带有HTML实体的字符串并返回一个unicode类型吗？

例如：

我回来了：

&#x01ce;

表示带有音标的“ǎ”。在二进制中，这表示为16位01ce。我想将html实体转换为值u'\u01ce'

Answer 1

Python有htmlentitydefs模块，但这不包括一个unescape HTML实体的函数。

Python开发人员Fredrik Lundh（elementtree的作者，除其他外）还有一个函数on his website，它适用于十进制，十六进制和命名实体：

import re, htmlentitydefs

##
# Removes HTML or XML character references and entities from a text string.
#
# @param text The HTML (or XML) source text.
# @return The plain text, as a Unicode string, if necessary.

def unescape(text):
    def fixup(m):
        text = m.group(0)
        if text[:2] == "&#":
            # character reference
            try:
                if text[:3] == "&#x":
                    return unichr(int(text[3:-1], 16))
                else:
                    return unichr(int(text[2:-1]))
            except ValueError:
                pass
        else:
            # named entity
            try:
                text = unichr(htmlentitydefs.name2codepoint[text[1:-1]])
            except KeyError:
                pass
        return text # leave as is
    return re.sub("&#?\w+;", fixup, text)

Answer 2

标准的lib自己的HTMLParser有一个未记录的函数unescape（），它完全符合你的想法：

import HTMLParser
h = HTMLParser.HTMLParser()
h.unescape('&copy; 2010') # u'\xa9 2010'
h.unescape('&#169; 2010') # u'\xa9 2010'

Answer 3

使用内置unichr - 不需要BeautifulSoup：

>>> entity = '&#x01ce'
>>> unichr(int(entity[3:],16))
u'\u01ce'

Answer 4

另一种选择，如果你有lxml：

>>> import lxml.html
>>> lxml.html.fromstring('&#x01ce').text
u'\u01ce'

Answer 5

如果您使用的是Python 3.4或更高版本，则可以使用html.unescape：

import html

s = html.unescape(s)

Answer 6

你可以在这里找到答案 - Getting international characters from a web page?

编辑：似乎BeautifulSoup不会转换以十六进制格式编写的实体。它可以修复：

import copy, re
from BeautifulSoup import BeautifulSoup

hexentityMassage = copy.copy(BeautifulSoup.MARKUP_MASSAGE)
# replace hexadecimal character reference by decimal one
hexentityMassage += [(re.compile('&#x([^;]+);'), 
                     lambda m: '&#%d;' % int(m.group(1), 16))]

def convert(html):
    return BeautifulSoup(html,
        convertEntities=BeautifulSoup.HTML_ENTITIES,
        markupMassage=hexentityMassage).contents[0].string

html = '<html>&#x01ce;&#462;</html>'
print repr(convert(html))
# u'\u01ce\u01ce'

编辑：

在这种情况下，使用htmlentitydefs标准模块和unichr()的{{3}}提及的

unescape()功能可能更合适。

Answer 7

这是一个可以帮助您正确操作并将实体转换回utf-8字符的函数。

def unescape(text):
   """Removes HTML or XML character references 
      and entities from a text string.
   @param text The HTML (or XML) source text.
   @return The plain text, as a Unicode string, if necessary.
   from Fredrik Lundh
   2008-01-03: input only unicode characters string.
   http://effbot.org/zone/re-sub.htm#unescape-html
   """
   def fixup(m):
      text = m.group(0)
      if text[:2] == "&#":
         # character reference
         try:
            if text[:3] == "&#x":
               return unichr(int(text[3:-1], 16))
            else:
               return unichr(int(text[2:-1]))
         except ValueError:
            print "Value Error"
            pass
      else:
         # named entity
         # reescape the reserved characters.
         try:
            if text[1:-1] == "amp":
               text = "&amp;amp;"
            elif text[1:-1] == "gt":
               text = "&amp;gt;"
            elif text[1:-1] == "lt":
               text = "&amp;lt;"
            else:
               print text[1:-1]
               text = unichr(htmlentitydefs.name2codepoint[text[1:-1]])
         except KeyError:
            print "keyerror"
            pass
      return text # leave as is
   return re.sub("&#?\w+;", fixup, text)

Answer 8

不确定为什么Stack Overflow线程不包含';'在搜索/替换中（即lambda m：'＆amp;＃％d * ; *'）如果不这样，BeautifulSoup可以barf，因为相邻字符可以解释为HTML代码的一部分（即＆amp;＃39B＆amp;＃39Blackout）。

这对我来说效果更好：

import re
from BeautifulSoup import BeautifulSoup

html_string='<a href="/cgi-bin/article.cgi?f=/c/a/2010/12/13/BA3V1GQ1CI.DTL"title="">&#x27;Blackout in a can; on some shelves despite ban</a>'

hexentityMassage = [(re.compile('&#x([^;]+);'), 
lambda m: '&#%d;' % int(m.group(1), 16))]

soup = BeautifulSoup(html_string, 
convertEntities=BeautifulSoup.HTML_ENTITIES, 
markupMassage=hexentityMassage)

int（m.group（1），16）将数字（以base-16指定）格式转换回整数。
m.group（0）返回整个匹配，m.group（1）返回正则表达式捕获组
基本上使用markupMessage与以下相同：
html_string = re.sub（'＆amp; #x（[^;] +）;'，lambda m：'＆amp;＃％d;'％int（m.group（1），16），html_string）

Answer 9

另一个解决方案是内置库xml.sax.saxutils（均为html和xml）。但是，它只会转换＆amp; gt，＆amp; amp和＆amp; lt。

from xml.sax.saxutils import unescape

escaped_text = unescape(text_to_escape)

Answer 10

以下是{3}}的Python 3版本：

import re
import html.entities

def unescape(text):
    """
    Removes HTML or XML character references and entities from a text string.

    :param text:    The HTML (or XML) source text.
    :return:        The plain text, as a Unicode string, if necessary.
    """
    def fixup(m):
        text = m.group(0)
        if text[:2] == "&#":
            # character reference
            try:
                if text[:3] == "&#x":
                    return chr(int(text[3:-1], 16))
                else:
                    return chr(int(text[2:-1]))
            except ValueError:
                pass
        else:
            # named entity
            try:
                text = chr(html.entities.name2codepoint[text[1:-1]])
            except KeyError:
                pass
        return text # leave as is
    return re.sub("&#?\w+;", fixup, text)

现在htmlentitydefs和html.entities的主要变化是unichr，现在是chr。请参阅此dF's answer。

在Python中将XML / HTML实体转换为Unicode字符串

10 个答案: