Преобразование XML/HTML-объектов в строку Unicode в Python

Я делаю некоторые веб-соскабливания, и сайты часто используют HTML-объекты для представления символов без ascii. У Python есть утилита, которая берет строку с объектами HTML и возвращает тип юникода?

Например:

Я возвращаюсь:

&#x01ce;

который представляет собой "ǎ" с меткой тона. В двоичном формате это представлено как 16 бит 01ce. Я хочу преобразовать объект html в значение u'\u01ce'

Ответы

Ответ 1

Python имеет htmlentitydefs модуль, но это не включает функцию для unescape HTML-объектов.

Разработчик Python Фредрик Лунд (автор elementtree, среди прочего) имеет такую функцию

Ответ 2

В стандартном libs очень собственный HTMLParser есть недокументированная функция unescape(), которая делает именно то, что вы думаете:

import HTMLParser
h = HTMLParser.HTMLParser()
h.unescape('&copy; 2010') # u'\xa9 2010'
h.unescape('&#169; 2010') # u'\xa9 2010'

Ответ 3

Использовать встроенный unichr - BeautifulSoup не требуется:

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

Ответ 4

Альтернатива, если у вас есть lxml:

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

Ответ 5

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

s = html.unescape(s)

Ответ 6

Здесь вы можете найти ответ - Получение международных символов с веб-страницы?

EDIT: Кажется, что BeautifulSoup не конвертирует объекты, написанные в шестнадцатеричной форме. Он может быть исправлен:

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'

ИЗМЕНИТЬ:

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

Ответ 7

Это функция, которая должна помочь вам получить ее 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;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)

Ответ 8

Не знаю, почему поток Qaru не включает ';' в поиске/замене (т.е. lambda m: '& #% d *; *') Если вы этого не сделаете, BeautifulSoup может быть barf, потому что смежный символ может быть интерпретирован как часть HTML-кода (т.е. & # 39B for & # 39Blackout).

Это помогло мне лучше:

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)

int (m.group(1), 16) преобразует число (заданное в base-16) обратно в целое число.
m.group(0) возвращает полное совпадение, m.group(1) возвращает группу захвата regexp
В основном использование markupMessage совпадает с:
html_string = re.sub('& #x ([^;] +);', lambda m: '& #% d;'% int (m.group(1), 16), html_string)

Ответ 9

Другим решением является встроенная библиотека xml.sax.saxutils(как для html, так и для xml). Однако он будет преобразовывать только & amp и lt.

from xml.sax.saxutils import unescape

escaped_text = unescape(text_to_escape)

Ответ 10

Вот версия Python 3 dF answer:

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, которые теперь html.entities и unichr, которые теперь chr. Смотрите Руководство по переносу Python 3.