如何在Python中将":"转换为":"？

Question

可能是重复的问题：
在Python中将XML/HTML实体转换为Unicode字符串

在HTML源代码中，有很多像“&# 58;”或“&# 46;”这样的字符（在“&#”和数字之间必须加空格，否则这些字符会被当作“:”或“.”）。我想问的是，如何在Python中将它们转换成它们应该是什么样的？有没有内置的方法或者其他的解决办法？

希望有人能帮我。谢谢！

Answer 1

像这样的代码可以处理大部分的实体定义（假设你在用Python 2.x）。它可以处理十进制、十六进制，以及在htmlentitydefs中定义的任何命名实体。

import re
from htmlentitydefs import name2codepoint
EntityPattern = re.compile('&(?:#(\d+)|(?:#x([\da-fA-F]+))|([a-zA-Z]+));')
def decodeEntities(s, encoding='utf-8'):
    def unescape(match):
        code = match.group(1)
        if code:
            return unichr(int(code, 10))
        else:
            code = match.group(2)
            if code:
                return unichr(int(code, 16))
            else:
                code = match.group(3)
                if code in name2codepoint:
                    return unichr(name2codepoint[code])
        return match.group(0)

    if isinstance(s, str):
        s = s.decode(encoding)
    return EntityPattern.sub(unescape, s)

Answer 2

我不太确定有没有现成的库可以用，但这里有个简单粗暴的方法，可以用正则表达式来实现。

>>> import re
>>> re.sub("&#(\d+);",lambda x:unichr(int(x.group(1),10)),": or .")
u': or .'