[英]Encode Decode of strings python
我有一个html页面列表,其中可能包含某些编码字符。 一些例子如下 -
<a href="mailto:lad%20at%20maestro%20dot%20com">
<em>ada@graphics.maestro.com</em>
<em>mel@graphics.maestro.com</em>
我想解码(逃避,我不确定当前的术语)这些字符串 -
<a href="mailto:lad at maestro dot com">
<em>ada@graphics.maestro.com</em>
<em>mel@graphics.maestro.com</em>
请注意,HTML页面采用字符串格式。 另外,我不想使用任何外部库,如BeautifulSoup或lxml,只有本机python库是可以的。
编辑 -
以下解决方案并不完美。 HTML解析器unescaping与urllib2抛出一个
UnicodeDecodeError: 'ascii' codec can't decode byte 0x94 in position 31: ordinal not in range(128)
在某些情况下出错。
您需要unescape HTML实体和URL-unquote。
标准库具有HTMLParser
和urllib2
来帮助完成这些任务。
import HTMLParser, urllib2
markup = '''<a href="mailto:lad%20at%20maestro%20dot%20com">
<em>ada@graphics.maestro.com</em>
<em>mel@graphics.maestro.com</em>'''
result = HTMLParser.HTMLParser().unescape(urllib2.unquote(markup))
for line in result.split("\n"):
print(line)
结果:
<a href="mailto:lad at maestro dot com">
<em>ada@graphics.maestro.com</em>
<em>mel@graphics.maestro.com</em>
编辑:
如果您的页面可以包含非ASCII字符,则需要注意对输入进行解码并对输出进行编码。
您上传的示例文件的字符集设置为cp-1252
,所以让我们尝试从解码到Unicode:
import codecs
with codecs.open(filename, encoding="cp1252") as fin:
decoded = fin.read()
result = HTMLParser.HTMLParser().unescape(urllib2.unquote(decoded))
with codecs.open('/output/file.html', 'w', encoding='cp1252') as fou:
fou.write(result)
EDIT2:
如果您不关心非ASCII字符,可以简化一下:
with open(filename) as fin:
decoded = fin.read().decode('ascii','ignore')
...
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.