将 HTML 实体转换为 Unicode，反之亦然

Question

如何在 Python 中将 HTML 实体转换为 Unicode 和反之亦然？

Answer 1

至于“反之亦然”（我需要自己，导致我找到这个没有帮助的问题，然后是另一个有答案的网站）：

u'some string'.encode('ascii', 'xmlcharrefreplace')

将返回一个纯字符串，其中任何非 ascii 字符都转换为 XML (HTML) 实体。

Answer 2

你需要有BeautifulSoup 。

from BeautifulSoup import BeautifulStoneSoup
import cgi

def HTMLEntitiesToUnicode(text):
    """Converts HTML entities to unicode.  For example '&' becomes '&'."""
    text = unicode(BeautifulStoneSoup(text, convertEntities=BeautifulStoneSoup.ALL_ENTITIES))
    return text

def unicodeToHTMLEntities(text):
    """Converts unicode to HTML entities.  For example '&' becomes '&'."""
    text = cgi.escape(text).encode('ascii', 'xmlcharrefreplace')
    return text

text = "&, ®, <, >, ¢, £, ¥, €, §, ©"

uni = HTMLEntitiesToUnicode(text)
htmlent = unicodeToHTMLEntities(uni)

print uni
print htmlent
# &, ®, <, >, ¢, £, ¥, €, §, ©
# &amp;, &#174;, &lt;, &gt;, &#162;, &#163;, &#165;, &#8364;, &#167;, &#169;

Answer 3

Python 2.7 和 BeautifulSoup4 的更新

Unescape -- Unicode HTML 到 unicode 与htmlparser （Python 2.7 标准库）：

>>> escaped = u'Monsieur le Curé of the «Notre-Dame-de-Grâce» neighborhood'
>>> from HTMLParser import HTMLParser
>>> htmlparser = HTMLParser()
>>> unescaped = htmlparser.unescape(escaped)
>>> unescaped
u'Monsieur le Cur\xe9 of the \xabNotre-Dame-de-Gr\xe2ce\xbb neighborhood'
>>> print unescaped
Monsieur le Curé of the «Notre-Dame-de-Grâce» neighborhood

Unescape -- Unicode HTML 到 unicode 与bs4 (BeautifulSoup4):

>>> html = '''<p>Monsieur le Cur&eacute; of the &laquo;Notre-Dame-de-Gr&acirc;ce&raquo; neighborhood</p>'''
>>> from bs4 import BeautifulSoup
>>> soup = BeautifulSoup(html)
>>> soup.text
u'Monsieur le Cur\xe9 of the \xabNotre-Dame-de-Gr\xe2ce\xbb neighborhood'
>>> print soup.text
Monsieur le Curé of the «Notre-Dame-de-Grâce» neighborhood

转义 -- Unicode 到 unicode HTML 与bs4 (BeautifulSoup4)：

>>> unescaped = u'Monsieur le Curé of the «Notre-Dame-de-Grâce» neighborhood'
>>> from bs4.dammit import EntitySubstitution
>>> escaper = EntitySubstitution()
>>> escaped = escaper.substitute_html(unescaped)
>>> escaped
u'Monsieur le Curé of the «Notre-Dame-de-Grâce» neighborhood'

Answer 4

正如hekevintran回答所暗示的，您可以使用cgi.escape(s)对字符串进行编码，但请注意，在 function 中，quote 的编码默认为 false，并且将quote=True关键字参数与您的字符串一起传递可能是个好主意。 但即使通过quote=True ， function 也不会转义单引号（ "'" ）（由于这些问题， function 自 3.2 版以来已被弃用）

建议使用html.escape(s)而不是cgi.escape(s) 。 （版本 3.2 中的新功能）

html.unescape(s)已在 3.4 版本中引入。

因此，在 python 3.4 中，您可以：

• 使用html.escape(text).encode('ascii', 'xmlcharrefreplace').decode()将特殊字符转换为 HTML 实体。
• html.unescape(text)用于将 HTML 实体转换回纯文本表示形式。

Answer 5

$ python3 -c "
> import html
> print(
>     html.unescape('&©—')
> )"
&©—

$ python3 -c "
> import html
> print(
>     html.escape('&©—')
> )"
&©—

$ python2 -c "
> from HTMLParser import HTMLParser
> print(
>     HTMLParser().unescape('&©—')
> )"
&©—

$ python2 -c "
> import cgi
> print(
>     cgi.escape('&©—')
> )"
&©—

HTML 只严格要求& （与号）和< （左尖括号/小于号）被转义。 https://html.spec.whatwg.org/multipage/parsing.html#data-state

Answer 6

对于python3使用html.unescape() ：

import html
s = "&"
decoded = html.unescape(s)
# &

Answer 7

如果像我这样的人想知道为什么有些实体编号（代码）像™ (for trademark symbol), € (for euro symbol) ™ (for trademark symbol), € (for euro symbol) ™ (for trademark symbol), € (for euro symbol)未正确编码，原因是在 ISO-8859-1（又名 Windows-1252）中未定义这些字符。

另请注意，从 html5 开始的默认字符集是 utf-8 它是 html4 的 ISO-8859-1

所以，我们将不得不以某种方式解决（首先找到并替换那些）

Mozilla 文档中的参考（起点）

https://developer.mozilla.org/en-US/docs/Web/Guide/Localizations_and_character_encodings

Answer 8

我使用以下 function 将从 xls 文件中提取的 unicode 转换为 html 文件，同时保留 xls 文件中的特殊字符：

def html_wr(f, dat):
    ''' write dat to file f as html
        . file is assumed to be opened in binary format
        . if dat is nul it is replaced with non breakable space
        . non-ascii characters are translated to xml       
    '''
    if not dat:
        dat = ' '
    try:
        f.write(dat.encode('ascii'))
    except:
        f.write(html.escape(dat).encode('ascii', 'xmlcharrefreplace'))

希望这对某人有用

Answer 9

#!/usr/bin/env python3
import fileinput
import html

for line in fileinput.input():
    print(html.unescape(line.rstrip('\n')))