使用Python来解析包含“＆amp;”的html数据

Question

我正在使用python库SGMLParser来解析一些html。 我遇到了

形式的html标签

<td class="school">Texas A&amp;M</td>

我想读出“Texas A＆amp; M”。但是当调用handle_data时，它会被“Texas A”调用，然后单独调用“M”（为了清晰起见，引号）。

如何更换

& 

带＆amp;的字符串在调用之前，没有替换整个字符串中的所有特殊＆符号（其中一些我可能需要）。

谢谢！

Answer 1

如果您从deprecated SGMLParser切换到现代替代方案，例如LXML（也处理HTML），这就变得微不足道了：

>>> etree.fromstring('''<td class="school">Texas A&amp;M</td>''').text
'Texas A&M'

Answer 2

SGMLParser有convert_entityref()方法，但我建议使用具有更好解析器API的lxml或Beautiful Soup而不是弃用的SGMLParser。

Answer 3

&等实体引用由handle_entity处理。检查此方法是否知道如何翻译&。默认实现应该调用handle_data('&')，但您可能不小心覆盖了它。

此外，如果可能，请考虑使用更高级的lxml代替。