Python ElementTree 解码 HTML 实体
我写了一个简单的脚本，可以把XML格式的数据转换成用逗号分隔的格式。下面是一个XML源文件的样本：
<?xml version="1.0" encoding="utf-8"?>
<users>
<row Id="-1" Reputation="1" CreationDate="2010-08-10T15:50:26.953" DisplayName="Community" LastAccessDate="2010-08-10T15:50:26.953" Location="on the server farm" AboutMe="<p>Hi, I'm not really a person.</p>

<p>I'm a background process that helps keep this site clean!</p>

<p>I do things like</p>

<ul>
<li>Randomly poke old unanswered questions every hour so they get some attention</li>
<li>Own community questions and answers so nobody gets unnecessary reputation from them</li>
<li>Own downvotes on spam/evil posts that get permanently deleted</li>
<li>Own suggested edits from anonymous users</li>
<li><a href="http://meta.stackexchange.com/a/92006">Remove abandoned questions</a></li>
</ul>
" Views="0" UpVotes="3732" DownVotes="2275" AccountId="-1" />
</users>
解析器的相关代码如下：
import xml.etree.cElementTree as cetree
def get_data_c(fn, columns):
res = ''
cols = columns.split(',')
for c in cols:
res = res + c + ','
res = res[:-1] + '\n'
yield res
for event, elem in cetree.iterparse(fn):
res = ''
if elem.tag == "row":
for c in cols:
if c in elem.attrib:
res = res + elem.attrib[c] + ','
else:
res = res + ','
res = res[:-1] + '\n'
yield res
elem.clear()
gist，这是完整脚本的链接。
我遇到的问题是，当我获取AboutMe这个属性的值时，cElementTree会自动处理这个属性里的HTML内容。理想情况下，我希望保持这个HTML格式不变，只需在输出文件中加上引号。但实际上，我得到的是处理后的字符串，具体情况可以在这个gist中看到。我该如何告诉cElementTree保持属性的原始值，而不是把它转换成HTML呢？
编辑 2014-09-01 12:49 PST：根据下面Tomalak的回答，我使用了以下方法来实现我想要的效果：
def escape_str(html_str):
s = html.escape(html_str)
return s.replace('\n', '
')
我基本上是在获取属性值的调用周围加上了上面的转义函数。像这样：
res = res + '"' + escape_str(elem.attrib[c]) + '",'
1 个回答
2
这个属性里没有被转义的HTML。
这个属性里有HTML，而当你获取它的值时，正是你得到的内容。
对比一下：
<row AboutMe="<b> This is HTML </b>" />
Attribute value: "<b> This is HTML </b>"
还有：
<row AboutMe="&lt;b&gt; This is escaped HTML &lt;/b&gt;" />
Attribute value: "<b> This is escaped HTML </b>"
你的错误在于你期待的东西是错的，而实际上发生的是正确的事情。cElementTree绝对不会对任何东西进行解码。它给你的是属性的原始内容。