使用Python解析包含"&"的HTML数据
我正在使用Python的SGMLParser库来解析一些HTML内容。
我遇到了一个这样的HTML标签：
<td class="school">Texas A&M</td>
我想提取出“Texas A&M”。但是当handle_data被调用时，它只返回“Texas A”，然后单独返回“M”（这里加上引号是为了更清楚）。
我该如何在调用之前，把这个
&
字符串中的&替换成&，而不影响整个字符串中的其他特殊符号（因为有些我可能还需要用到）呢？
谢谢！
3 个回答
1
像 & 这样的实体引用是由 handle_entity 这个方法来处理的。你需要确认这个方法是否知道怎么把 & 转换成正常的字符。默认情况下，它应该会调用 handle_data('&')，但是你可能不小心把它覆盖掉了。
另外，如果可以的话，建议使用更先进的 lxml 库。
2
SGMLParser 有一个叫 convert_entityref() 的方法，但我建议你不要使用已经不推荐的 SGMLParser。可以考虑使用 lxml 或者 Beautiful Soup，这两个库提供了更好的解析器接口。
4
如果你把旧的 SGMLParser 换成一个现代的替代品，比如 LXML（它也能处理HTML），那么这件事就变得非常简单了：
>>> etree.fromstring('''<td class="school">Texas A&M</td>''').text
'Texas A&M'