HTML-код сущности для текста

Question

Кто-нибудь знает простой способ в Python преобразовать строку с кодами сущности HTML (например, <&) в обычную строку (например, < &)?

cgi.escape() будет избегать строк (плохо), но нет unescape().

Answer 1

HTMLParser имеет функциональность в стандартной библиотеке. Он, к сожалению, без документов:

(python2 Docs)

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

(Python 3 Docs)

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

htmlentitydefs задокументировано, но требует от вас сделать много работы самостоятельно.

Если вам нужны только предопределенные XML-объекты (lt, gt, amp, quot, apos), вы можете использовать мини-диск для их анализа. Если вам нужны только предопределенные объекты и нет числовых ссылок на символы, вы можете просто использовать обычную замену старой строки для скорости.

Answer 2

В Python stdlib нет ничего встроенного в unescape HTML, но есть короткий скрипт, который вы можете настроить для своих нужд по адресу http://www.w3.org/QA/2008/04/unescape-html-entities-python .html.

Answer 3

Использование htmlentitydefs модуль. Это мой старый код, он работал, но я уверен, что там чище и более вещий способ сделать это:

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

Answer 4

Я забыл пометить его на первый, но я использую BeautifulSoup.

копаться в документации, я нашел:

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

делает это именно так, как я надеялся.