Python-將Unicode十六進制轉換為字符串

Question

我正在使用Readability Parser API從網頁中提取內容。 網頁使用拉丁字符集是可以的，但是當我用西里爾文提取文章時，其結果如下：

<div>&#x412;&#x432;&#x43E;&#x441;&#x43A;&#x440;&#x435;&#x441;&#x435;&#x43D;&#x44C;</div>...etc

有趣的是，網頁的標題是用西里爾字母正確提取的，而不是內容。 我的嘗試是按照此答案中的建議執行以下操作：

content = unicodedata.normalize('NFKD', content).encode('ascii','ignore')

但它沒有用。 您能否告訴我在保存到數據庫之前是否可以轉換此字符串？

請讓我知道問題標題是否正確解釋了我的需求。 謝謝。

Answer 1

一種方式（Python 3.3）：

>>> s='<div>&#x412;&#x432;&#x43E;&#x441;&#x43A;&#x440;&#x435;&#x441;&#x435;&#x43D;&#x44C;</div>'
>>> import html.parser
>>> h=html.parser.HTMLParser()
>>> h.unescape(s)
'<div>Ввоскресень</div>'

Python 2.7：

>>> s='<div>&#x412;&#x432;&#x43E;&#x441;&#x43A;&#x440;&#x435;&#x441;&#x435;&#x43D;&#x44C;</div>'
>>> import HTMLParser
>>> h=HTMLParser.HTMLParser()
>>> print(h.unescape(s))
<div>Ввоскресень</div>

PS我去尋找文檔鏈接，而且好像沒有unescape文檔。 這是一種不使用未記錄的API的方法：

>>> re.sub(r'&#x(.*?);',lambda x: chr(int(x.group(1),16)),s)
'<div>Ввоскресень</div>'

根據注釋，它最終似乎已在Python 3.4中記錄（並移走）：

• https://docs.python.org/3.4/library/html.html#html.unescape