Преобразуйте Объекты XML/HTML в Строку Unicode в Python [дубликат]

Question

Преобразуйте Объекты XML/HTML в Строку Unicode в Python [дубликат]

Чистый JavaScript:

var button = document.getElementById('button'); // Assumes element with id='button'

button.onclick = function() {
    var div = document.getElementById('newpost');
    if (div.style.display !== 'none') {
        div.style.display = 'none';
    }
    else {
        div.style.display = 'block';
    }
};

СМОТРИТЕ ДЕМО

jQuery:

$("#button").click(function() { 
    // assumes element with id='button'
    $("#newpost").toggle();
});

СМОТРЕТЬ ДЕМО

69

python html entities

задан Josh Lee 16 December 2010 в 06:38

4 ответа

Другие вопросы по тегам:

python html entities

Похожие вопросы:

score 60 · Answer 1

Python имеет модуль htmlentitydefs , но это не включает функцию, чтобы не выйти из объектов HTML.

у разработчика Python Fredrik Lundh (автор elementtree, среди прочего) есть такая функция на его веб-сайте , который работает с десятичным числом, шестнадцатеричными и именованными сущностями:

import re, htmlentitydefs

##
# Removes HTML or XML character references and entities from a text string.
#
# @param text The HTML (or XML) source text.
# @return The plain text, as a Unicode string, if necessary.

def unescape(text):
    def fixup(m):
        text = m.group(0)
        if text[:2] == "&#":
            # character reference
            try:
                if text[:3] == "&#x":
                    return unichr(int(text[3:-1], 16))
                else:
                    return unichr(int(text[2:-1]))
            except ValueError:
                pass
        else:
            # named entity
            try:
                text = unichr(htmlentitydefs.name2codepoint[text[1:-1]])
            except KeyError:
                pass
        return text # leave as is
    return re.sub("&#?\w+;", fixup, text)

score 18 · Answer 2

Используйте встроенное unichr - BeautifulSoup не необходим:

>>> entity = '&#x01ce'
>>> unichr(int(entity[3:],16))
u'\u01ce'

18

ответ дан chryss 24 November 2019 в 13:41

score 8 · Answer 3

Вы могли найти ответ здесь - Получение международных символов от веб-страницы?

РЕДАКТИРОВАНИЕ : Это походит BeautifulSoup, не преобразовывает объекты, записанные в шестнадцатеричной форме. Это может быть зафиксировано:

import copy, re
from BeautifulSoup import BeautifulSoup

hexentityMassage = copy.copy(BeautifulSoup.MARKUP_MASSAGE)
# replace hexadecimal character reference by decimal one
hexentityMassage += [(re.compile('&#x([^;]+);'), 
                     lambda m: '&#%d;' % int(m.group(1), 16))]

def convert(html):
    return BeautifulSoup(html,
        convertEntities=BeautifulSoup.HTML_ENTITIES,
        markupMassage=hexentityMassage).contents[0].string

html = '<html>&#x01ce;&#462;</html>'
print repr(convert(html))
# u'\u01ce\u01ce'

РЕДАКТИРОВАНИЕ :

unescape() функция, упомянутая , @dF , который использует htmlentitydefs стандартный модуль и unichr(), мог бы быть более соответствующим в этом случае.

score 5 · Answer 4

Это - функция, которая должна помочь Вам разобраться в нем и преобразовать объекты назад в utf-8 символы.

def unescape(text):
   """Removes HTML or XML character references 
      and entities from a text string.
   @param text The HTML (or XML) source text.
   @return The plain text, as a Unicode string, if necessary.
   from Fredrik Lundh
   2008-01-03: input only unicode characters string.
   http://effbot.org/zone/re-sub.htm#unescape-html
   """
   def fixup(m):
      text = m.group(0)
      if text[:2] == "&#":
         # character reference
         try:
            if text[:3] == "&#x":
               return unichr(int(text[3:-1], 16))
            else:
               return unichr(int(text[2:-1]))
         except ValueError:
            print "Value Error"
            pass
      else:
         # named entity
         # reescape the reserved characters.
         try:
            if text[1:-1] == "amp":
               text = "&amp;amp;"
            elif text[1:-1] == "gt":
               text = "&amp;gt;"
            elif text[1:-1] == "lt":
               text = "&amp;lt;"
            else:
               print text[1:-1]
               text = unichr(htmlentitydefs.name2codepoint[text[1:-1]])
         except KeyError:
            print "keyerror"
            pass
      return text # leave as is
   return re.sub("&#?\w+;", fixup, text)