在Python字符串中解码HTML实体？
我正在用Beautiful Soup 3解析一些HTML代码，但里面有一些HTML实体，而Beautiful Soup 3并不会自动帮我解码这些实体：
>>> from BeautifulSoup import BeautifulSoup
>>> soup = BeautifulSoup("<p>£682m</p>")
>>> text = soup.find("p").string
>>> print text
£682m
我该怎么做才能把text中的HTML实体解码，得到"£682m"而不是"£682m"呢？
相关问题：
7 个回答
16
你可以使用 w3lib.html 库中的 replace_entities 函数。
In [202]: from w3lib.html import replace_entities
In [203]: replace_entities("£682m")
Out[203]: u'\xa3682m'
In [204]: print replace_entities("£682m")
£682m
72
Beautiful Soup可以处理实体转换。在Beautiful Soup 3中，你需要在创建BeautifulSoup对象时指定convertEntities这个参数（具体可以查看'实体转换'的文档部分）。而在Beautiful Soup 4中，实体会自动被解码，不需要额外设置。
Beautiful Soup 3
>>> from BeautifulSoup import BeautifulSoup
>>> BeautifulSoup("<p>£682m</p>",
... convertEntities=BeautifulSoup.HTML_ENTITIES)
<p>£682m</p>
Beautiful Soup 4
>>> from bs4 import BeautifulSoup
>>> BeautifulSoup("<p>£682m</p>")
<html><body><p>£682m</p></body></html>
723
Python 3.4及以上版本
可以使用 html.unescape() 方法：
import html
print(html.unescape('£682m'))
顺便提一下，html.parser.HTMLParser.unescape 这个方法已经不推荐使用了，原本计划在3.5版本中移除，不过因为错误暂时保留了。这个方法很快就会被彻底移除。
Python 2.6到3.3版本
可以使用标准库中的 HTMLParser.unescape() 方法：
- 在Python 2.6到2.7版本中，它在
HTMLParser里 - 在Python 3版本中，它在
html.parser里
>>> try:
... # Python 2.6-2.7
... from HTMLParser import HTMLParser
... except ImportError:
... # Python 3
... from html.parser import HTMLParser
...
>>> h = HTMLParser()
>>> print(h.unescape('£682m'))
£682m
你也可以使用 six 这个兼容库来简化导入过程：
>>> from six.moves.html_parser import HTMLParser
>>> h = HTMLParser()
>>> print(h.unescape('£682m'))
£682m