Bagaimana untuk Menukar Entiti XML/HTML kepada Unicode dalam Python?

Menukar Entiti XML/HTML kepada Unikod dalam Python

Cabaran:

Dalam mengikis web , entiti HTML biasanya digunakan untuk mewakili aksara bukan ASCII. Python memerlukan utiliti yang boleh menukar rentetan dengan entiti ini kepada jenis Unicode.

Penyelesaian:

HTMLParser perpustakaan standard Python mempunyai fungsi tidak didokumenkan, unescape() , yang boleh memenuhi keperluan ini dengan berkesan.

Pelaksanaan:

Untuk Python 3.4 dan lebih awal:

<code class="python">import HTMLParser

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

Untuk Python 3.4 dan lebih baharu:

<code class="python">import html

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

Contoh:

Pertimbangkan entiti HTML ǎ, yang sepadan dengan "ǎ " dengan tanda nada dalam binari. Menggunakan unescape(), anda boleh menukarnya kepada nilai Unicode u'u01ce':

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

Atas ialah kandungan terperinci Bagaimana untuk Menukar Entiti XML/HTML kepada Unicode dalam Python?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!