Декодировать объекты HTML в строке Python?

Я разбираю некоторый HTML с Beautiful Soup 3, но он содержит объекты HTML, которые Beautiful Soup 3 не меняет автоматически для меня:

>>> from BeautifulSoup import BeautifulSoup

>>> soup = BeautifulSoup("<p>&pound;682m</p>")
>>> text = soup.find("p").string

>>> print text
&pound;682m

Как я могу декодировать объекты HTML в text, чтобы получить "£682m" вместо "£682m".

Ответы

Ответ 1

Python 3. 4+

Используйте html.unescape():

import html
print(html.unescape('&pound;682m'))

К вашему сведению html.parser.HTMLParser.unescape устарела, и должен был быть удален через 3.5, хотя он был оставлен по ошибке. Он будет удален из языка в ближайшее время.

Python 2.6-3.3

Вы можете использовать HTMLParser.unescape() из стандартной библиотеки:

Для Python 2.6-2.7 это в HTMLParser
Для Python 3 это в html.parser

>>> try:
...     # Python 2.6-2.7 
...     from HTMLParser import HTMLParser
... except ImportError:
...     # Python 3
...     from html.parser import HTMLParser
... 
>>> h = HTMLParser()
>>> print(h.unescape('&pound;682m'))
£682m

Вы также можете использовать библиотеку совместимости six, чтобы упростить импорт:

>>> from six.moves.html_parser import HTMLParser
>>> h = HTMLParser()
>>> print(h.unescape('&pound;682m'))
£682m

Ответ 2

Beautiful Soup обрабатывает преобразование сущности. В Beautiful Soup 3 вам нужно указать аргумент convertEntities конструктору BeautifulSoup (см. Раздел 'Преобразование сущности в разделе архивированные документы). В Beautiful Soup 4 объекты автоматически декодируются.

Красивый суп 3

>>> from BeautifulSoup import BeautifulSoup
>>> BeautifulSoup("<p>&pound;682m</p>", 
...               convertEntities=BeautifulSoup.HTML_ENTITIES)
<p>£682m</p>

Красивый суп 4

>>> from bs4 import BeautifulSoup
>>> BeautifulSoup("<p>&pound;682m</p>")
<html><body><p>£682m</p></body></html>

Ответ 3

Вы можете использовать replace_entities из библиотеки w3lib.html

In [202]: from w3lib.html import replace_entities

In [203]: replace_entities("&pound;682m")
Out[203]: u'\xa3682m'

In [204]: print replace_entities("&pound;682m")
£682m

Ответ 4

Beautiful Soup 4 позволяет установить форматтер для вашего вывода

Если вы пройдете в formatter=None, Beautiful Soup не будет изменять строки на выходе. Это самый быстрый вариант, но это может привести к Beautiful Soup генерирует неверный HTML/XML, как в этих примерах:

print(soup.prettify(formatter=None))
# <html>
#  <body>
#   <p>
#    Il a dit <<Sacré bleu!>>
#   </p>
#  </body>
# </html>

link_soup = BeautifulSoup('<a href="http://example.com/?foo=val1&bar=val2">A link</a>')
print(link_soup.a.encode(formatter=None))
# <a href="http://example.com/?foo=val1&bar=val2">A link</a>

Ответ 5

Это, вероятно, не имеет значения. Но для устранения этих html-entites из целого документа вы можете сделать что-то вроде этого: (предположим, что document = page и прошу простить неаккуратный код, но если у вас есть идеи о том, как сделать его лучше, Im all ears - Im new to это).

import re
import HTMLParser

regexp = "&.+?;" 
list_of_html = re.findall(regexp, page) #finds all html entites in page
for e in list_of_html:
    h = HTMLParser.HTMLParser()
    unescaped = h.unescape(e) #finds the unescaped value of the html entity
    page = page.replace(e, unescaped) #replaces html entity with unescaped value