Wie konvertiert man XML/HTML-Entitäten in Python in Unicode?

Konvertieren von XML/HTML-Entitäten in Unicode in Python

Herausforderung:

Im Web Scraping , HTML-Entitäten werden häufig zur Darstellung von Nicht-ASCII-Zeichen verwendet. Python benötigt ein Dienstprogramm, das einen String mit diesen Entitäten in einen Unicode-Typ konvertieren kann.

Lösung:

Der HTMLParser der Python-Standardbibliothek verfügt über eine undokumentierte Funktion, unescape() , das diese Anforderung effektiv erfüllen kann.

Implementierung:

Für Python 3.4 und früher:

<code class="python">import HTMLParser

h = HTMLParser.HTMLParser()
result = h.unescape('&amp;copy; 2010')  # u'\xa9 2010'</code>

Für Python 3.4 und höher:

<code class="python">import html

result = html.unescape('&amp;copy; 2010')  # u'\xa9 2010'</code>

Beispiel:

Betrachten Sie die HTML-Entität ǎ, die einem „ǎ“ entspricht " mit einer Tonmarkierung im Binärformat. Mit unescape() können Sie es in den Unicode-Wert u'u01ce':

<code class="python">result = h.unescape('&amp;#x01ce;')  # u'\u01ce'</code>

konvertieren

Das obige ist der detaillierte Inhalt vonWie konvertiert man XML/HTML-Entitäten in Python in Unicode?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!