Comment convertir des entités HTML en chaînes Unicode en Python ?

Convertir des entités XML/HTML en chaîne Unicode en Python

Question : Comment puis-je convertir une chaîne contenant des entités HTML en une chaîne Unicode dans Python? Par exemple, la chaîne "ǎ" doit être converti en "ǎ" avec une marque de ton (u'u01ce').

Réponse :

Le HTMLParser de la bibliothèque standard Python a une fonction non documentée appelée unescape(). Cette fonction peut convertir les entités HTML en leurs équivalents Unicode.

<code class="python">import HTMLParser
h = HTMLParser.HTMLParser()
h.unescape('&amp;copy; 2010') # u'\xa9 2010'
h.unescape('&amp;#169; 2010') # u'\xa9 2010'</code>

Pour Python 3.4 et supérieur, le code suivant fonctionnera en utilisant le module html :

<code class="python">import html
html.unescape('&amp;copy; 2010') # u'\xa9 2010'
html.unescape('&amp;#169; 2010') # u'\xa9 2010'</code>

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!