如何在Python 3.1中取消转义字符串中的HTML实体？

Question

我到处找了找，只找到针对 Python 2.6 及更早版本的解决方案，完全没有关于如何在 Python 3.X 中做到这一点的内容。（我只有 Win7 的电脑可用。）

我必须能在 3.1 版本中做到这一点，最好不依赖外部库。目前，我安装了 httplib2，并且可以使用命令提示符中的 curl（我就是通过这个获取网页的源代码）。不幸的是，curl 似乎无法解码 HTML 实体，我在文档中找不到解码的命令。

是的，我尝试过让 Beautiful Soup 工作，很多次都没有成功在 3.X 中。如果你能提供明确的步骤，让我在 Windows 环境下使用 Python 3 成功运行它，我会非常感激。

所以，简单来说，我需要把像这样的字符串：Suzy & John 转换成这样的字符串："Suzy & John"。

Answer 1

看起来我的声望不够高，只能发这个帖子。unutbu的回答并没有处理引号的转义问题。我找到的唯一能做到这一点的就是这个函数：

import re
from htmlentitydefs import name2codepoint as n2cp

def decodeHtmlentities(string):
    def substitute_entity(match):        
        ent = match.group(2)
        if match.group(1) == "#":
            return unichr(int(ent))
        else:
            cp = n2cp.get(ent)
            if cp:
                return unichr(cp)
            else:
                return match.group()
    entity_re = re.compile("&(#?)(\d{1,5}|\w{1,8});")
    return entity_re.subn(substitute_entity, string)[0]

这个函数我是在这个 页面上找到的。

Answer 2

你可以使用 xml.sax.saxutils.unescape 来实现这个功能。这个模块是Python标准库的一部分，可以在Python 2.x和Python 3.x之间通用。

>>> import xml.sax.saxutils as saxutils
>>> saxutils.unescape("Suzy & John")
'Suzy & John'

Answer 3

你可以使用这个函数 html.unescape：

在 Python3.4及以上版本（感谢J.F. Sebastian的更新）：

import html
html.unescape('Suzy & John')
# 'Suzy & John'

html.unescape('"')
# '"'

在 Python3.3 或更早的版本：

import html.parser    
html.parser.HTMLParser().unescape('Suzy & John')

在 Python2：

import HTMLParser
HTMLParser.HTMLParser().unescape('Suzy & John')