一些基本的python问题

首先,这些不是微软Word实体 是 UTF-8。您正在将它们转换为HTML实体。

写东西的方式就像:

chr(0xe2) . chr(0x80) . chr(0x98)

将是:

'\xe2\x80\x98'

但是python已经为您想要进行的转换类型提供了内置功能:

def defang(string):
    return string.decode('utf-8').encode('ascii', 'xmlcharrefreplace')

这将替换字符串中的utf-8代码 ‘ 数字实体如 “ .

如果要在可能的情况下用命名实体替换这些数字实体:

import re
from htmlentitydefs import codepoint2name

def convert_match_to_named(match):
    num = int(match.group(1))
    if num in codepoint2name:
        return "&%s;" % codepoint2name[num]
    else:
        return match.group(0)

def defang_named(string):
    return re.sub('&#(\d+);', convert_match_to_named, defang(string))

像这样使用它:

>>> defang_named('\xe2\x80\x9cHello, world!\xe2\x80\x9d')
'“Hello, world!”'

要完成答案,示例中处理文件的等效代码如下所示:

# in Python, it's common to operate a line at a time on a file instead of
# reading the entire thing into memory

my_file = open("test100.html")
for line in my_file:
    print defang_named(line)
my_file.close()

请注意,这个答案针对的是python 2.5;对于python 3+来说,unicode的情况大不相同。

我也同意Bobince在下面的评论:如果你只需要将文本保留为utf-8格式,并用正确的内容类型和字符集发送,那么就这样做;如果你需要它是ASCII格式,那么就坚持使用数字实体实际上不需要使用命名实体。

python代码具有相同的轮廓。

只需用python isms替换所有php isms。

从创建 File 对象。file.read()的结果是 string 对象。字符串有一个“替换”操作。

清除Word HTML的最佳选择是使用 HTML Tidy 它有一个模式。有 a few Python wrappers 如果需要以编程方式进行,可以使用。

正如S.Lott所说,python代码非常类似,唯一的区别就是函数调用/语句。

我认为python没有直接等价于 file_get_contents() ,但由于可以获取文件中的行数组,因此可以使用换行符将它们联接起来,如下所示:

sample = '\n'.join(open(test, 'r').readlines())

编辑:没关系,有一个更简单的方法: sample = file(test).read()

字符串替换与 str_replace() :

sample = sample.replace(search, replace)

输出和 print 声明:

print defang_word(sample)

正如您所看到的,这两个版本看起来几乎完全相同。