如何在 Python 中将 XML/HTML 实体转换为 Unicode？

在 Python 中将 XML/HTML 实体转换为 Unicode

挑战：

在网页抓取中, HTML 实体通常用于表示非 ASCII 字符。 Python 需要一个实用程序，可以将包含这些实体的字符串转换为 Unicode 类型。

解决方案：

Python 标准库的 HTMLParser 拥有一个未记录的函数 unescape() ，可以有效满足这个需求。

实现：

对于 Python 3.4 及更早版本：

<code class="python">import HTMLParser

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

对于 Python 3.4 及更高版本：

<code class="python">import html

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

示例：

考虑 HTML 实体 ǎ，它对应于“ǎ” " 带有二进制声调标记。使用 unescape()，您可以将其转换为 Unicode 值 u'u01ce':

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

以上是如何在 Python 中将 XML/HTML 实体转换为 Unicode？的详细内容。更多信息请关注PHP中文网其他相关文章！