将unicode字符编码为Python中的HTML实体，不包括标记

Question

您可能知道，要使电子邮件在许多客户端中有效，必须对所有unicode字符进行编码。我想在Python脚本中自动化这种编码。

显然标签需要从转换中排除，否则html将无法正常工作 - 这样做真的很复杂 - 为了确保成功，必须使用像lxml或beautifulsoup这样的解析包。

据我所知，这两个软件包都不支持转换为编号的unicode实体，例如＆amp; ＃x6F22; （汉）

任何帮助都非常宝贵，我一整天都在撞墙！

Answer 1

我遇到了类似的问题，但是在原始文本上运行以下表达式总是足够的，它只是将十六进制实体转换为十进制实体，然后将其解析得很好：

>>> hex_entity_pat = re.compile('&#x([^;]+);')
>>> hex_entity_fix = lambda x: hex_entity_pat.sub(lambda m: '&#%d;' % int(m.group(1), 16), x) # convert hex to dec entities
>>> BeautifulSoup(hex_entity_fix("<b>&#x6F22;</b>"), convertEntities=BeautifulSoup.ALL_ENTITIES)
<b>漢</b>

Answer 2

我假设您的电子邮件是HTML格式，而不是纯文本格式。我想你正在寻找这个：

some_unicode_string.encode('ascii', errors='xmlcharrefreplace')

但也许你可以通过其他方式做到这一点。你如何首先生成HTML？