如何在 Python 中将 XML/HTML 实体转换为 Unicode 字符串？

在 Python 中将 XML/HTML 实体转换为 Unicode 字符串

在网页抓取中，实体经常用于表示非 ASCII 字符。要在 Python 中解码这些实体并获取相应的 Unicode 表示形式，您可以利用标准库的 HTMLParser 模块中提供的 unescape() 函数。

示例：

假设您有以下实体：

ǎ

，它代表带有声调标记的“ǎ”。其二进制等效值是 01ce（16 位）。将此实体转换为 Unicode 值 u'u01ce':

Python 3.4 及更早版本:

import HTMLParser
h = HTMLParser.HTMLParser()
unicode_string = h.unescape('© 2010') # u'\xa9 2010'
unicode_string = h.unescape('© 2010') # u'\xa9 2010'

Python 3.4 及更高版本:

import html
unicode_string = html.unescape('© 2010') # u'\xa9 2010'
unicode_string = html.unescape('© 2010') # u'\xa9 2010'

生成的 unicode_string 包含所需的字符串 Unicode 表示形式，其中实体替换为实际的 Unicode 值。

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