HTML实体代码到文本

Question

有没有人知道Python中一种简单的方法，可以将带有HTML实体代码的字符串（例如< &）转换为普通字符串（例如＆lt;＆amp;）？

cgi.escape()会转义字符串（很差），但没有unescape()。

Answer 1

HTMLParser具有标准库中的功能。不幸的是，它没有证件：

（Python2 Docs）

>>> import HTMLParser
>>> h= HTMLParser.HTMLParser()
>>> h.unescape('alpha < β')
u'alpha < \u03b2'

（Python 3 Docs）

>>> import html.parser
>>> h = html.parser.HTMLParser()
>>> h.unescape('alpha < β')
'alpha < \u03b2'

记录了

htmlentitydefs，但要求您自己完成大量工作。

如果您只需要XML预定义实体（lt，gt，amp，quot，apos），则可以使用minidom来解析它们。如果您只需要预定义的实体而不需要数字字符引用，您甚至可以使用普通的旧字符串替换速度。

Answer 2

我最初忘了标记它，但我正在使用BeautifulSoup。

在文档中挖掘，我发现：

soup = BeautifulSoup(html, convertEntities=BeautifulSoup.HTML_ENTITIES)

完全像我希望的那样。

Answer 3

Python stdlib中没有任何内容可以用于unescape HTML，但是有一个简短的脚本可以根据您的需求定制http://www.w3.org/QA/2008/04/unescape-html-entities-python。html。

Answer 4

使用htmlentitydefs模块。这是我的旧代码，它有效，但我确信有更清洁，更pythonic的方式来做它：

e2c = dict(('&%s;'%k,eval("u'\\u%04x'"%v)) for k, v in htmlentitydefs.name2codepoint.items())