在Python中将html实体转换为ascii

Question

我需要使用Python将任何html实体转换为它的ASCII等价物。我的使用案例是，我正在清理一些用于生成电子邮件的HTML，以便从HTML创建纯文本电子邮件。

现在，我只知道当我需要ASCII（我想）时如何从这些实体创建unicode，这样纯文本电子邮件就可以正确地读取重音字符之类的内容。我认为一个基本的例子是html实体“á；”或被编码成ASCII。

此外，我甚至不能百分之百确定，ASCII是我需要的明文电子邮件。如你所知，我完全迷失在这种编码上了。

Answer 1

您可以使用htmlentitydefs包：

import htmlentitydefs
print htmlentitydefs.entitydefs['aacute']

基本上，entitydefs只是一个字典，您可以通过在python提示符下打印它来看到这一点：

from pprint import pprint 
pprint htmlentitydefs.entitydefs

Answer 2

ASCII是美国标准的信息交换代码，不包含任何重音字母。你最好的办法是获得Unicode（你说你可以）并将其编码为UTF-8（可能是ISO-8859-1或一些奇怪的代码页，如果你正在处理严重编码错误的用户代理/客户端，叹气）--该部分的内容类型头和文本/纯文本可以表示您选择使用的编码（我建议您尝试使用UTF-8，除非您已经明确证明它无法工作--它现在几乎是普遍支持的，而且比任何ISO-8859或“codepage”黑客都灵活得多！）。

Answer 3

下面是一个完整的实现，它还处理unicode html实体。你可能会发现它很有用。

它返回一个不是ascii的unicode字符串，但是如果您想要纯ascii，您可以修改替换操作，以便将实体替换为空字符串。

def convert_html_entities(s):
    matches = re.findall("&#\d+;", s)
    if len(matches) > 0:
        hits = set(matches)
        for hit in hits:
            name = hit[2:-1]
            try:
                entnum = int(name)
                s = s.replace(hit, unichr(entnum))
            except ValueError:
                pass

    matches = re.findall("&#[xX][0-9a-fA-F]+;", s)
    if len(matches) > 0:
        hits = set(matches)
        for hit in hits:
            hex = hit[3:-1]
            try:
                entnum = int(hex, 16)
                s = s.replace(hit, unichr(entnum))
            except ValueError:
                pass

    matches = re.findall("&\w+;", s)
    hits = set(matches)
    amp = "&"
    if amp in hits:
        hits.remove(amp)
    for hit in hits:
        name = hit[1:-1]
        if htmlentitydefs.name2codepoint.has_key(name):
            s = s.replace(hit, unichr(htmlentitydefs.name2codepoint[name]))
    s = s.replace(amp, "&")
    return s 

编辑：为十六进制代码添加匹配。我用这个已经有一段时间了，遇到了我的第一个情况，是一个单引号/撇号。