Wie konvertiert man XML/HTML-Entitäten in Python in Unicode-Strings?

Konvertieren von XML/HTML-Entitäten in Unicode-Strings in Python

Beim Web Scraping werden Entitäten häufig zur Darstellung von Nicht-ASCII-Zeichen verwendet. Um diese Entitäten in Python zu dekodieren und die entsprechende Unicode-Darstellung zu erhalten, können Sie die Funktion unescape() verwenden, die im HTMLParser-Modul der Standardbibliothek verfügbar ist.

Beispiel:

Angenommen Sie haben die folgende Entität:

ǎ

die ein „ǎ“ mit einer Tonmarkierung darstellt. Das binäre Äquivalent dazu ist 01ce (16 Bit). So konvertieren Sie diese Entität in den Unicode-Wert u'u01ce':

Python 3.4 und früher:

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

Python 3.4 und höher:

import html
unicode_string = html.unescape('© 2010') # u'\xa9 2010'
unicode_string = html.unescape('© 2010') # u'\xa9 2010'

Der resultierende unicode_string enthält die gewünschte Unicode-Darstellung des Strings, wobei die Entitäten durch ihre tatsächlichen Unicode-Werte ersetzt werden.

Das obige ist der detaillierte Inhalt vonWie konvertiert man XML/HTML-Entitäten in Python in Unicode-Strings?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!