HTML实体代码转文本

Question

有没有一种简单的Python方法可以将带有HTML实体代码（例如< &）的字符串转换为普通字符串（例如< &）？

cgi.escape()可以转义字符串（效果不佳），但没有unescape()。

- Tyler

Answer 1

HTMLParser是Python标准库中具备相关功能的模块，不过遗憾的是它没有文档说明：

(Python2 文档)

>>> import HTMLParser
>>> h= HTMLParser.HTMLParser()
>>> h.unescape('alpha < β')
u'alpha < \u03b2'

（Python 3 文档）

>>> import html.parser
>>> h = html.parser.HTMLParser()
>>> h.unescape('alpha < β')
'alpha < \u03b2'

htmlentitydefs有文档可供参考，但需要你自己完成大部分工作。

如果你只需要XML预定义实体（lt、gt、amp、quot、apos），则可以使用minidom进行解析。如果你只需要预定义实体而不包括数字字符引用，则为了提高速度，甚至可以只使用普通的字符串替换。

- bobince

---

+1 我不知道 HTMLParser 的那个函数。 - vartec

这是一个来自标准库的已记录函数，它将转换转义的HTML代码为普通字符串：http://docs.python.org/library/xml.sax.utils.html#xml.sax.saxutils.unescape - Steven T. Snyder

在Python 3.4中，它被记录。 - 9000

Answer 2

我刚开始忘记打标签，但我正在使用BeautifulSoup。

在查找文档时，我发现：

soup = BeautifulSoup(html, convertEntities=BeautifulSoup.HTML_ENTITIES)

它正好做到了我所期望的。

- Tyler

---

这仅适用于早期版本的BeautifulSoup（BS4之前）。如果您正在使用BS4，则必须使用格式化程序：http://www.crummy.com/software/BeautifulSoup/bs4/doc/#output-formatters。 - kronion

它不适用于&实际上，如果一个字符串包含'&'，BeautifulSoup会将其转换回&，这与我所希望的相反。 - Dennis Golomazov

Answer 3

使用htmlentitydefs模块。这是我的旧代码，它可以工作，但我相信有更简洁和更符合Python风格的方法来完成它：

e2c = dict(('&%s;'%k,eval("u'\\u%04x'"%v)) for k, v in htmlentitydefs.name2codepoint.items())

- vartec

Answer 4

Python标准库中没有内置反转义HTML的功能，但是你可以在http://www.w3.org/QA/2008/04/unescape-html-entities-python.html找到一个简短的脚本，可以根据你的需求进行调整。

- Benjamin

---

有一个内置的东西在Python标准库中用于反转义HTML。请查看被接受的答案并编辑你的答案。 - Ekrem Dinçel