在python中将html实体转换为它们的值

鉴于您的文本似乎具有数字编码而非命名的实体,您可以首先将包含XML实体def(与号、哈希、数字、分号)的字节字符串转换为Unicode:

import re
xed_re = re.compile(r'&#(\d+);')
def usub(m): return unichr(int(m.group(1)))

s = 'ã, ن, ش'
u = xed_re.sub(usub, s)

如果终端仿真器可以显示任意Unicode标志符号,则 print u 然后将显示

ã, ن, ش

在任何情况下,如果您愿意,现在可以使用您的原始re,您不会意外地“捕获”实体,只有ascii字母、数字和您列出的两个标点符号。(我不确定这是您真正想要的——例如,为什么不使用重音字母,而只使用ascii字母呢?--但是,如果 是 你想要什么,它会起作用的)。

如果你 做 除了数字编码的实体外,您还可以 也 应用 htmlentitydefs 另一个答案中推荐的标准库模块(不过,它只处理映射到拉丁语-1代码点的命名实体)。

您可以调整以下脚本:

import htmlentitydefs
import re

def substitute_entity (match):
    name = match.group (1)
    if name in htmlentitydefs.name2codepoint:
        return unichr (htmlentitydefs.name2codepoint[name])
    elif name.startswith ('#'):
        try:
            return unichr (int (name[1:]))
        except:
            pass

    return '?'

print re.sub ('&(#?\\w+);', substitute_entity, 'x « y &wat; z {')

在此处生成以下答案:

x « y ? z {

编辑:我把这个问题理解为“如何在进一步处理之前去掉html实体”,希望我没有浪费时间回答错误的问题;)

如果不知道这个短语是用来做什么的,我就不能确切地告诉你需要什么。

这将匹配特殊字符或字符串,不包括字母、数字、@和:

[^a-zA-Z0-9@#]*|#[0-9A-Za-z]+;