【Python Cookbook】S02E15 在文本中处理 HTML 和 XML 实体

问题

我们如果想要将 HTML 实体以及 XML 实体内容替换成相对应的文本内容，怎么做？

解决方案

s = "Elements are written as '<tag>txt</tag>'."

import html
print(html.escape(s))
print("-"*20, "Disable escaping of quotes", "-"*20)
print(html.escape(s, quote=False))

结果为

Elements are written as '<tag>txt</tag>'.
-------------------- Disable escaping of quotes --------------------
Elements are written as '<tag>txt</tag>'.

其中，解析出的各结果解释如下：

• &#x27 代表 "
• &lt 代表 <
• &gt 代表 >

在第二个输出中，因为我们在 html.escape() 函数中添加参数 quote=False，所以在结果中并不会解析 " 引号~

如果要生成 ASCII 文本，并且想针对非 ASCII 字符将其对应的字符编码实体嵌入到文本中，可以在各种同 I/O 相关的函数中使用 errors='xmlcharrefreplace' 参数来实现。

s = "Spicy Jalapeño"
print(s.encode("ascii", errors="xmlcharrefreplace"))

结果：

b'Spicy Jalapeño'

如果由于某种原因在得到的文本中带有一些实体，而我们又想要得到其内容，可以利用 HTML 以及 XML 解析器自带的功能函数和方法来完成。

s = "Spicy "Jalapeño&quot"
import html
print(html.unescape(s))
t = "The prompt is >>>"
from xml.sax.saxutils import unescape
print(unescape(t))

结果

Spicy "Jalapeño"
The prompt is >>>

讨论

在生成 HTML 或 XML 文档时，适当的对特殊字符做转义处理推荐使用如 html.escape() 这样的函数。

而如果要反过来，即将 HTML 或 XML 实体转换成对应的字符，推荐使用像 html.unescape() 或 xml.sax.saxutils.unescape() 这样的函数。