HTML实体代码到文本[重复]

HTMLParser

(蟒蛇2 Docs )

>>> import HTMLParser
>>> h= HTMLParser.HTMLParser()
>>> h.unescape('alpha < β')
u'alpha < \u03b2'

(3) Docs )

>>> import html.parser
>>> h = html.parser.HTMLParser()
>>> h.unescape('alpha < β')
'alpha < \u03b2'

htmlentitydefs 有文档记录,但需要您自己做很多工作。

如果您只需要XML预定义的实体(lt、gt、amp、quot、apos),那么可以使用minidom来解析它们。如果您只需要预定义的实体,而不需要数字字符引用,您甚至可以使用普通的旧字符串替换来提高速度。

一开始我忘了给它贴标签,但我用的是BeautifulSoup。

翻阅文档,我发现:

soup = BeautifulSoup(html, convertEntities=BeautifulSoup.HTML_ENTITIES)

这正是我所希望的。

http://www.w3.org/QA/2008/04/unescape-html-entities-python .html。

htmlentitydefs 单元这是我的旧代码,它起作用了,但我相信有更干净、更具Python风格的方法可以做到:

e2c = dict(('&%s;'%k,eval("u'\\u%04x'"%v)) for k, v in htmlentitydefs.name2codepoint.items())