Question

我有一个xml文件，我需要将其转换为utf8。不幸的是，实体包含这样的文本：

&#047;mytext&#044;

我正在使用编解码器库将文件转换为utf8，但html实体无法使用它。

有没有一种简单的方法可以摆脱html编码？

由于

Answer 1

您可以在将文件文本传递给XML解析器之前通过unescape函数传递文件。

或者，如果您只是解析HTML，lxml's http parser会为您执行此操作：

>>> import lxml.html
>>> html = lxml.html.fromstring("<html><body><p>&#047;mytext&#044;</p></body></html>")
>>> lxml.html.tostring(html)
'<html><body><p>/mytext,</p></body></html>'

Answer 2

最近发布了以下针对类似问题的回复：

import HTMLParser     # html.parser in Python 3
h = HTMLParser.HTMLParser()
h.unescape('&#047;mytext&#044;')

从技术上讲，这种方法是“内部的”并且没有记录，但它已经在API中存在了很长一段时间，并且没有标记为前导下划线。

找到它here;还提到了其他方法，如果你不介意它的“沉重感”，BeautifulSoup可能是最好的。

Python将html ascii编码文本转换为utf8

2 个答案: