将HTML实体转换为Unicode，反之亦然
可能的重复项目：
- 在Python中将XML / HTML实体转换为Unicodestring
- HTML实体代码到文本
如何在HTML中将HTML实体转换为Unicode，反之亦然？
至于“反之亦然”（我需要我自己，导致我find这个问题，这没有帮助，后来又有一个网站有答案 ）：
u'some string'.encode('ascii', 'xmlcharrefreplace') 将返回任何非ASCII字符转换为XML（HTML）实体的纯string。
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 # &, ®, <, >, ¢, £, ¥, €, §, © # &, ®, <, >, ¢, £, ¥, €, §, ©
Python 2.7和BeautifulSoup4的更新
htmlparser – Unicode HTML到htmlparser （Python 2.7标准库）的unicode：
>>> 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
bs4 – Unicode HTML到bs4 （BeautifulSoup4）的unicode：
>>> html = '''<p>Monsieur le Curé of the «Notre-Dame-de-Grâce» 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与bs4 （BeautifulSoup4）的HTML：
>>> 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'
正如hekevintran的答案所暗示的那样，你可以使用cgi.escape(s)来编码cgi.escape(s) ，但是请注意，在这个函数中，quote的编码默认是false，并且把quote=True关键字parameter passing给你的string可能是个好主意。 但是，即使通过传递quote=True ，函数也不会转义单引号（ "'" ）（由于这些问题，函数从版本3.2开始已被弃用 ）
有人build议使用html.escape(s)而不是cgi.escape(s) 。 （3.2版本中的新function）
在3.4版本中也引入了 html.unescape(s) 。
所以在Python 3.4中，你可以：
- 使用
html.escape(text).encode('ascii', 'xmlcharrefreplace').decode()将特殊字符转换为HTML实体。 - 用于将HTML实体转换回纯文本格式的
html.unescape(text)。
我使用下面的函数将xls文件中的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'))
希望这对别人有用
