Bagaimana untuk Menukar Entiti XML/HTML kepada String Unicode dalam Python?

Menukar Entiti XML/HTML kepada Rentetan Unikod dalam Python

Dalam mengikis web, entiti kerap digunakan untuk mewakili aksara bukan ASCII. Untuk menyahkod entiti ini dalam Python dan mendapatkan perwakilan Unicode yang sepadan, anda boleh menggunakan fungsi unescape() yang tersedia dalam modul HTMLParser perpustakaan standard.

Contoh:

Andaikan anda mempunyai entiti berikut:

ǎ

yang mewakili "ǎ" dengan tanda nada. Perduaan bersamaan ini ialah 01ce (16 bit). Untuk menukar entiti ini kepada nilai Unicode u'u01ce':

Python 3.4 dan lebih awal:

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

Python 3.4 dan lebih baharu:

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

Rentetan_unicode yang terhasil mengandungi perwakilan Unikod rentetan yang dikehendaki dengan entiti digantikan dengan nilai Unikod sebenar mereka.

Atas ialah kandungan terperinci Bagaimana untuk Menukar Entiti XML/HTML kepada String Unicode dalam Python?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!