如何在Python中unescape撇号等？

Question

我有一个包含这样符号的字符串：

'

显然这是一个撇号。

我试了saxutils.unescape（）没有任何运气，尝试了urllib.unquote（）

我该如何解码？谢谢！

Answer 1

结帐this question。您正在寻找的是“html实体解码”。通常情况下，您会找到一个名为“htmldecode”的函数，它可以执行您想要的操作。 Django和Cheetah都提供了BeautifulSoup等功能。

如果您不想使用库并且所有实体都是数字，那么另一个答案将会很有效。

Answer 2

试试这个:(找到它here）

from htmlentitydefs import name2codepoint as n2cp
import re

def decode_htmlentities(string):
    """
    Decode HTML entities–hex, decimal, or named–in a string
    @see http://snippets.dzone.com/posts/show/4569

    >>> u = u'E tu vivrai nel terrore - L'aldilà (1981)'
    >>> print decode_htmlentities(u).encode('UTF-8')
    E tu vivrai nel terrore - L'aldilà (1981)
    >>> print decode_htmlentities("l'eau")
    l'eau
    >>> print decode_htmlentities("foo < bar")                
    foo < bar
    """
    def substitute_entity(match):
        ent = match.group(3)
        if match.group(1) == "#":
            # decoding by number
            if match.group(2) == '':
                # number is in decimal
                return unichr(int(ent))
            elif match.group(2) == 'x':
                # number is in hex
                return unichr(int('0x'+ent, 16))
        else:
            # they were using a name
            cp = n2cp.get(ent)
            if cp: return unichr(cp)
            else: return match.group()

    entity_re = re.compile(r'&(#?)(x?)(\w+);')
    return entity_re.subn(substitute_entity, string)[0]

Answer 3

最强大的解决方案似乎是Python杰出人物Fredrik Lundh的this function。它不是最短的解决方案，但它处理命名实体以及十六进制和十进制代码。