python 在字符串中处理html和xml

发表于 分类于 ，

问题

你想将HTML或者XML实体如 &entity; 或 &#code; 替换为对应的文本。 再者，你需要转换文本中特定的字符(比如<, >, 或 &)。

解决方案

如果你想替换文本字符串中的 ‘<’ 或者 ‘>’ ，使用 html.escape() 函数可以很容易的完成。比如：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
>>> import html
>>> html.__all__
['escape', 'unescape']

>>> s = 'Elements are written as "<tag>text</tag>".'
>>> print(s)
Elements are written as "<tag>text</tag>".

>>> print(html.escape(s))
Elements are written as &quot;&lt;tag&gt;text&lt;/tag&gt;&quot;.

>>> print(html.escape(s, quote=False))
Elements are written as "&lt;tag&gt;text&lt;/tag&gt;"

注： 
    html.escape(s, quote=True)
    将字符串 s 中的字符``&`` 、 < 和 > 转换为安全的HTML序列。
    如果需要在 HTML 中显示可能包含此类字符的文本，请使用此选项。
    如果可选的标志 quote 为真值，则字符 (") 和 (') 也被转换；
    这有助于包含在由引号分隔的 HTML 属性中，如 <a href="...">。

如果你正在处理的是ASCII文本，并且想将非ASCII文本对应的编码实体嵌入进去， 可以给某些I/O函数传递参数 errors='xmlcharrefreplace' 来达到这个目。比如：

1
2
3
4
5
6
7
8
9
10
11
12
13
>>> s = 'Spicy Jalapeño'
>>> s.encode('ascii', errors='xmlcharrefreplace')
b'Spicy Jalape&#241;o'

注：
    Python encode() 方法以 encoding 指定的编码格式编码字符串。errors参数可以指定不同的错误处理方案。
    语法格式：
        str.encode(encoding='UTF-8',errors='strict')
    参数：
        encoding -- 要使用的编码，如"UTF-8"。
        errors -- 设置不同错误的处理方案。默认为 'strict',意为编码错误引起一个UnicodeError。
                  其他可能的值有 'ignore', 'replace', 'xmlcharrefreplace', 
                  'backslashreplace' 以及通过 codecs.register_error() 注册的任何值。

讨论

在生成HTML或者XML文本的时候，如果正确的转换特殊标记字符是一个很容易被忽视的细节。 特别是当你使用 print() 函数或者其他字符串格式化来产生输出的时候。 使用像 html.escape() 的工具函数可以很容易的解决这类问题。

如果你想以其他方式处理文本，还有一些其他的工具函数比如 xml.sax.saxutils.unescapge() 可以帮助你。 然而，你应该先调研清楚怎样使用一个合适的解析器。 比如，如果你在处理HTML或XML文本， 使用某个解析模块比如 html.parse 或 xml.etree.ElementTree 已经帮你自动处理了相关的替换细节

Reference

https://python3-cookbook.readthedocs.io/zh_CN/latest/c02/p17_handle_html_xml_in_text.html

-------------本文结束感谢您的阅读-------------