一聚教程网:一个值得你收藏的教程网站

最新下载

热门教程

python实现html代码转义转换的例子

时间:2014-12-18 编辑:简简单单 来源:一聚教程网

之前记录了从网上翻来的 Python HTMLParser处理HTML转义字符 文档。不过在对带有中文字符的内容进行处理的时候会报错,代码如下:

 代码如下 复制代码

# cat html.py
#/usr/bin/python
#coding=utf-8
import HTMLParser
html_parser = HTMLParser.HTMLParser()
title = 'eclipse功能<template>学习。e.g : 快速在代码中插入时间戳 - 361way.com'
newtitle = html_parser.unescape(title)
print newtitle

报错内容如下:

 代码如下 复制代码

Traceback (most recent call last):
  File "html.py", line 7, in
    newtitle = html_parser.unescape(title)
  File "/usr/lib64/python2.6/HTMLParser.py", line 390, in unescape
    return re.sub(r"&(#?[xX]?(?:[0-9a-fA-F]+|w{1,8}));", replaceEntities, s)
  File "/usr/lib64/python2.6/re.py", line 151, in sub
    return _compile(pattern, 0).sub(repl, string, count)
UnicodeDecodeError: 'ascii' codec can't decode byte 0xe5 in position 7: ordinal not in range(128)

解决方法如下:

 代码如下 复制代码

#/usr/bin/python
#coding=utf-8
import HTMLParser
import sys
reload(sys)
sys.setdefaultencoding('utf-8')
html_parser = HTMLParser.HTMLParser()
title = 'eclipse功能<template>学习。e.g : 快速在代码中插入时间戳 - SegmentFault'
newtitle = html_parser.unescape(title)
print newtitle

需要载入sys模块,重新设置默认编码为utf8,就不会出错了。不过要处理的内容只不过是一个文章的title部分,而常用的html转义内容也就如下几个:

字符  十进制  转义字符
"  "  "
&  &  &
<  <  <
>  >  >
不断开空格(non-breaking space)      

注:不常用的具体可以参看开源中国在线工具上的html转义字符表。

于是决定使用python的replace功能实现一个简单的转义功能函数,具体如下:

 代码如下 复制代码
#/usr/bin/python
#coding=utf-8
def replace_html(s):
    s = s.replace('"','"')
    s = s.replace('&','&')
    s = s.replace('<','<')
    s = s.replace('>','>')
    s = s.replace(' ',' ')
    s = s.replace(' - 361way.com','')
    print s
replace_html(title)

优点就是快速简洁,不依赖于模块,实用时也无需再reload sys模块指定默认编码。

热门栏目