Преобразование объектов XML/HTML в строку Unicode в Python
Вопрос
На этот вопрос уже есть ответ здесь:
Я занимаюсь парсингом веб-страниц, и сайты часто используют объекты HTML для представления символов, отличных от ascii.Есть ли в Python утилита, которая принимает строку с объектами HTML и возвращает тип Юникода?
Например:
Я вернусь:
ǎ
который представляет собой букву «ώ» со знаком тона.В двоичном формате это представлено как 16 бит 01ce.Я хочу преобразовать объект html в значение u'\u01ce'
Решение
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'
Другие советы
У Python есть htmlentitydefs модуль, но он не включает функцию отмены экранирования HTML-объектов.
У разработчика Python Фредрика Лунда (автора, среди прочего, elementtree) есть такая функция. на его сайте, который работает с десятичными, шестнадцатеричными и именованными объектами:
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)
Используйте встроенный unichr
-- BeautifulSoup не требуется:
>>> entity = 'ǎ'
>>> unichr(int(entity[3:],16))
u'\u01ce'
Альтернатива, если у вас есть lxml:
>>> import lxml.html
>>> lxml.html.fromstring('ǎ').text
u'\u01ce'
Если вы используете Python 3.4 или новее, вы можете просто использовать команду html.unescape
:
import html
s = html.unescape(s)
Ответ можно найти здесь - Получение международных символов с веб-страницы?
РЕДАКТИРОВАТЬ:Кажется, что 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>ǎǎ</html>'
print repr(convert(html))
# u'\u01ce\u01ce'
РЕДАКТИРОВАТЬ:
unescape()
функция, упомянутая @dF который использует htmlentitydefs
стандартный модуль и unichr()
может быть более уместным в данном случае.
Это функция, которая должна помочь вам сделать все правильно и преобразовать объекты обратно в символы utf-8.
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;"
elif text[1:-1] == "gt":
text = "&gt;"
elif text[1:-1] == "lt":
text = "&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)
Не уверен, почему поток переполнения стека не включает в себя '; " в поиске/замене (т.е.лямбда м:'&#%d*;*') Если вы этого не сделаете, BeautifulSoup может выблевать, потому что соседний символ может интерпретироваться как часть HTML-кода (т. е.'B для 'Blackout).
Это сработало 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="">'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)
- int(m.group(1), 16) преобразует числовой формат (указанный в базе 16) обратно в целое число.
- m.group(0) возвращает всё совпадение, m.group(1) возвращает группу захвата регулярного выражения.
- По сути, использование markupMessage аналогично:
html_string = re.sub('&#x([^;]+);', лямбда м:'&#%d;' % int (M.Group (1), 16), html_string)
Другое решение — встроенная библиотека xml.sax.saxutils (как для html, так и для xml).Однако он преобразует только >, & и <.
from xml.sax.saxutils import unescape
escaped_text = unescape(text_to_escape)
Вот версия Python 3 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
это сейчас html.entities
и unichr
это сейчас chr
.Видеть это Руководство по портированию Python 3.