Преобразование объектов XML / HTML в строку Unicode в Python [дубликат]

этот вопрос уже есть ответ здесь:

Я делаю некоторые веб-скребки и сайты часто используют HTML-объекты для представления символов, отличных от ascii. Есть ли у Python утилита, которая принимает строку с сущностями HTML и возвращает unicode типа?

например:

Я вернусь:

ǎ

который представляет собой "ǎ" с меткой тона. В двоичном формате это представлено как 16 бит 01ce. Я хочу преобразовать HTML-объект в значение u'u01ce'

10 67
python html html-entities

10 ответов:

Python имеет htmlentitydefs модуль, но это не включает в себя функцию для unescape HTML-объектов.

Разработчик Python Фредрик Лундх (автор elementtree, между прочим) имеет такую функцию на сайте, который работает с десятичными, шестнадцатеричными и именованными сущностями:

import re, htmlentitydefs

##
# Removes HTML or XML character references and entities from a text string.
#
# @param text The HTML (or XML) source text.
# @return The plain text, as a Unicode string, if necessary.

def unescape(text):
    def fixup(m):
        text = m.group(0)
        if text[:2] == "&#":
            # character reference
            try:
                if text[:3] == "&#x":
                    return unichr(int(text[3:-1], 16))
                else:
                    return unichr(int(text[2:-1]))
            except ValueError:
                pass
        else:
            # named entity
            try:
                text = unichr(htmlentitydefs.name2codepoint[text[1:-1]])
            except KeyError:
                pass
        return text # leave as is
    return re.sub("&#?\w+;", fixup, text)
59

собственный HTMLParser стандартной библиотеки имеет недокументированную функцию unescape (), которая делает именно то, что вы думаете:

import HTMLParser
h = HTMLParser.HTMLParser()
h.unescape('© 2010') # u'\xa9 2010'
h.unescape('© 2010') # u'\xa9 2010'
49

используйте встроенный unichr -- BeautifulSoup не нужен:

>>> entity = '&#x01ce'
>>> unichr(int(entity[3:],16))
u'\u01ce'
18

альтернатива, если у вас есть lxml:

>>> import lxml.html
>>> lxml.html.fromstring('&#x01ce').text
u'\u01ce'
16

Если вы находитесь на Python 3.4 или новее, вы можете просто использовать html.unescape:

import html

s = html.unescape(s)
12

вы можете найти ответ здесь...получение международных символов с веб-страницы?

EDIT: кажется BeautifulSoup не преобразует сущности, записанные в шестнадцатеричной форме. Это можно исправить:

import copy, re
from BeautifulSoup import BeautifulSoup

hexentityMassage = copy.copy(BeautifulSoup.MARKUP_MASSAGE)
# replace hexadecimal character reference by decimal one
hexentityMassage += [(re.compile('&#x([^;]+);'), 
                     lambda m: '&#%d;' % int(m.group(1), 16))]

def convert(html):
    return BeautifulSoup(html,
        convertEntities=BeautifulSoup.HTML_ENTITIES,
        markupMassage=hexentityMassage).contents[0].string

html = '<html>&#x01ce;&#462;</html>'
print repr(convert(html))
# u'\u01ce\u01ce'

EDIT:

unescape()

8

это функция, которая должна помочь вам получить это право и конвертировать объекты обратно в utf-8 символов.

def unescape(text):
   """Removes HTML or XML character references 
      and entities from a text string.
   @param text The HTML (or XML) source text.
   @return The plain text, as a Unicode string, if necessary.
   from Fredrik Lundh
   2008-01-03: input only unicode characters string.
   http://effbot.org/zone/re-sub.htm#unescape-html
   """
   def fixup(m):
      text = m.group(0)
      if text[:2] == "&#":
         # character reference
         try:
            if text[:3] == "&#x":
               return unichr(int(text[3:-1], 16))
            else:
               return unichr(int(text[2:-1]))
         except ValueError:
            print "Value Error"
            pass
      else:
         # named entity
         # reescape the reserved characters.
         try:
            if text[1:-1] == "amp":
               text = "&amp;amp;"
            elif text[1:-1] == "gt":
               text = "&amp;gt;"
            elif text[1:-1] == "lt":
               text = "&amp;lt;"
            else:
               print text[1:-1]
               text = unichr(htmlentitydefs.name2codepoint[text[1:-1]])
         except KeyError:
            print "keyerror"
            pass
      return text # leave as is
   return re.sub("&#?\w+;", fixup, text)
5

Не уверен, почему поток переполнения стека не включает'; 'в поиск/замену (т. е. lambda m:' %d*;*') Если вы этого не сделаете, BeautifulSoup может блевать, потому что соседний символ может быть интерпретирован как часть HTML-кода (т. е. 'B for 'Blackout).

это работает лучше для меня:

import re
from BeautifulSoup import BeautifulSoup

html_string='<a href="/cgi-bin/article.cgi?f=/c/a/2010/12/13/BA3V1GQ1CI.DTL"title="">&#x27;Blackout in a can; on some shelves despite ban</a>'

hexentityMassage = [(re.compile('&#x([^;]+);'), 
lambda m: '&#%d;' % int(m.group(1), 16))]

soup = BeautifulSoup(html_string, 
convertEntities=BeautifulSoup.HTML_ENTITIES, 
markupMassage=hexentityMassage)
  1. в инт(м. группы(1), 16) преобразует число (указанного в Base-16) формат обратно в целое.
  2. m. group (0) возвращает все совпадение, m. group (1) возвращает группу захвата регулярных выражений
  3. в основном с помощью markupMessage это то же самое, что:
    html_string = re.sub ('([^;]+);', lambda m: '%d; ' % int(m. group (1), 16), html_string)
3

другое решение-это встроенная библиотека xml.саксофон.saxutils (как для html, так и для xml). Однако он преобразует только &gt, & amp и &lt.

from xml.sax.saxutils import unescape

escaped_text = unescape(text_to_escape)
1

вот Python 3 версия ответ dF:

import re
import html.entities

def unescape(text):
    """
    Removes HTML or XML character references and entities from a text string.

    :param text:    The HTML (or XML) source text.
    :return:        The plain text, as a Unicode string, if necessary.
    """
    def fixup(m):
        text = m.group(0)
        if text[:2] == "&#":
            # character reference
            try:
                if text[:3] == "&#x":
                    return chr(int(text[3:-1], 16))
                else:
                    return chr(int(text[2:-1]))
            except ValueError:
                pass
        else:
            # named entity
            try:
                text = chr(html.entities.name2codepoint[text[1:-1]])
            except KeyError:
                pass
        return text # leave as is
    return re.sub("&#?\w+;", fixup, text)

основные изменения касаются htmlentitydefs то есть сейчас html.entities и unichr то есть сейчас chr. Смотрите это Python 3 руководство по портированию.

0