logo标签列表

Python 将 HTML ASCII 编码的文本转换为 UTF-8

pythonencodingutf-8asciihtml-entities
3

我有一个xml文件，需要转换为utf8编码。不幸的是，该实体包含如下文本:

/mytext,

我正在使用编解码库将文件转换为UTF8格式，但是HTML实体无法与其配合使用。
是否有一种简单的方法来消除HTML编码？
谢谢。
https://dev59.com/tnVD5IYBdhLWcg3wQZQg - kechap
你能否先将原始文件通过unescape进行传递吗？ - jterrace
2个回答
3
你可以在将文件文本传递给XML解析器之前，通过unescape函数对其进行处理。
或者，如果你只需要解析HTML，lxml的http解析器会为你自动处理。
>>> 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>'
1

最近在回答类似问题时发布了以下内容：

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”和未记录的，但它已经在API中存在了相当长的时间，并且没有标记前导下划线。

在这里找到它；其他方法也被提到，其中BeautifulSoup可能是最好的，如果你不介意它的“沉重”。

网页内容由stack overflow 提供, 点击上面的
可以查看英文原文，
原文链接