Преобразование объектов XML/HTML в строку Unicode в Python

Я занимаюсь поиском в Интернете, и сайты часто используют HTML-объекты для представления не ascii символов. Есть ли в Python утилита, которая берет строку с сущностями HTML и возвращает тип юникода?

Например:

Я вернусь:

ǎ

который представляет собой "ǎ" с тональной меткой. В двоичном виде это представляется как 16-битный 01ce. Я хочу, чтобы преобразовать HTML-сущность в значение u'\u01ce'

Источник

10 ответов

Решение

В Python есть модуль htmlentitydefs, но в него не входит функция для удаления сущностей HTML.

Разработчик Python Фредрик Лунд (среди прочего, автор elementtree) имеет на своем веб-сайте такую ​​функцию, которая 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)
Источник

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'
Источник

Используйте встроенный unichr - BeautifulSoup не требуется:

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

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

import html

s = html.unescape(s)
Источник

Альтернатива, если у вас есть lxml:

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

Вы можете найти ответ здесь - Получение международных символов с веб-страницы?

РЕДАКТИРОВАТЬ: Кажется, как BeautifulSoup не преобразует сущности, написанные 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'

РЕДАКТИРОВАТЬ:

unescape() функция, упомянутая @dF, которая использует htmlentitydefs стандартный модуль и unichr() может быть более подходящим в этом случае.

Источник

Это функция, которая должна помочь вам сделать все правильно и преобразовать сущности 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;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)
Источник

Не уверен, почему поток переполнения стека не включает ';' в поиске / замене (т. е. лямбда m: '& #% d *;*') Если вы этого не сделаете, BeautifulSoup может заблокировать, потому что соседний символ можно интерпретировать как часть HTML-кода (т. е. & # 39B для & # 39Blackout).

Это работало 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. Int (m.group (1), 16) преобразует числовой формат (указанный в base-16) обратно в целое число.
  2. m.group (0) возвращает полное совпадение, m.group (1) возвращает группу захвата регулярного выражения
  3. В основном использование markupMessage такое же, как:
    html_string = re.sub('& # x ([^;]+);', лямбда-м: '& #%d;' % int(m.group(1), 16), html_string)
Источник

Другое решение - встроенная библиотека xml.sax.saxutils (как для html, так и для xml). Тем не менее, он будет конвертировать только >, & и<.

from xml.sax.saxutils import unescape

escaped_text = unescape(text_to_escape)
Источник

Вот версия ответа dF на Python 3:

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 а также unichr это сейчас chr, Смотрите это руководство по портированию Python 3.

Источник
Другие вопросы по тегам