解码Python字符串中的HTML实体？

问题描述 投票：0回答：6

我正在使用 Beautiful Soup 3 解析一些 HTML，但它包含 Beautiful Soup 3 不会自动为我解码的 HTML 实体：

>>> from BeautifulSoup import BeautifulSoup

>>> soup = BeautifulSoup("<p>&pound;682m</p>")
>>> text = soup.find("p").string

>>> print text
&pound;682m

如何解码 

text
中的 HTML 实体以获得 
"£682m"
而不是 
"&pound;682m"
。

python html html-entities
6个回答
706
投票

Python 3.4+

使用

html.unescape()
：

import html
print(html.unescape('&pound;682m'))

仅供参考 

html.parser.HTMLParser.unescape
已被弃用，并且 应该在 3.5 中删除，尽管它被错误地保留了。它将很快从语言中删除。

Python 2.6-3.3

您可以使用标准库中的

HTMLParser.unescape()
：

>>> try:
...     # Python 2.6-2.7 
...     from HTMLParser import HTMLParser
... except ImportError:
...     # Python 3
...     from html.parser import HTMLParser
... 
>>> h = HTMLParser()
>>> print(h.unescape('&pound;682m'))
£682m

您还可以使用

six
兼容性库来简化导入：

>>> from six.moves.html_parser import HTMLParser
>>> h = HTMLParser()
>>> print(h.unescape('&pound;682m'))
£682m
71
投票

Beautiful Soup 处理实体转换。在 Beautiful Soup 3 中，您需要为 

convertEntities
构造函数指定 
BeautifulSoup
参数（请参阅存档文档的 'Entity Conversion' 部分）。在 Beautiful Soup 4 中，实体会自动解码。

美汤3

>>> from BeautifulSoup import BeautifulSoup
>>> BeautifulSoup("<p>&pound;682m</p>", 
...               convertEntities=BeautifulSoup.HTML_ENTITIES)
<p>£682m</p>

美汤4

>>> from bs4 import BeautifulSoup
>>> BeautifulSoup("<p>&pound;682m</p>")
<html><body><p>£682m</p></body></html>
16
投票

您可以使用w3lib.html库中的replace_entities

In [202]: from w3lib.html import replace_entities

In [203]: replace_entities("&pound;682m")
Out[203]: u'\xa3682m'

In [204]: print replace_entities("&pound;682m")
£682m
7
投票

Beautiful Soup 4 允许您为输出设置格式化程序

如果传入

formatter=None
，Beautiful Soup 不会修改字符串 完全取决于输出。这是最快的选择，但可能会导致 Beautiful Soup 生成无效的 HTML/XML，如以下示例所示：

print(soup.prettify(formatter=None))
# <html>
#  <body>
#   <p>
#    Il a dit <<Sacré bleu!>>
#   </p>
#  </body>
# </html>

link_soup = BeautifulSoup('<a href="http://example.com/?foo=val1&bar=val2">A link</a>')
print(link_soup.a.encode(formatter=None))
# <a href="http://example.com/?foo=val1&bar=val2">A link</a>
1
投票

我有类似的编码问题。我使用了 normalize() 方法。将数据帧导出到另一个目录中的 .html 文件时，使用 pandas .to_html() 方法收到 Unicode 错误。我最终这样做了并且成功了......

    import unicodedata

数据框对象可以是任何你喜欢的东西，我们称之为表......

    table = pd.DataFrame(data,columns=['Name','Team','OVR / POT'])
    table.index+= 1

对表数据进行编码，以便我们可以将其导出到模板文件夹中的 .html 文件（这可以是您希望的任何位置:)）

     #this is where the magic happens
     html_data=unicodedata.normalize('NFKD',table.to_html()).encode('ascii','ignore')

将规范化字符串导出到 html 文件

    file = open("templates/home.html","w") 

    file.write(html_data) 

    file.close()

参考：unicodedata文档

-5
投票

这可能与这里无关。但是要从整个文档中消除这些 html 实体，您可以执行以下操作：（假设文档=页面，请原谅草率的代码，但如果您有如何改进的想法，我洗耳恭听 - 我是新手这个）。

import re
import HTMLParser

regexp = "&.+?;" 
list_of_html = re.findall(regexp, page) #finds all html entites in page
for e in list_of_html:
    h = HTMLParser.HTMLParser()
    unescaped = h.unescape(e) #finds the unescaped value of the html entity
    page = page.replace(e, unescaped) #replaces html entity with unescaped value
最新问题
© www.soinside.com 2019 - 2024. All rights reserved.