python实现html代码转义转换

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：

# cat html.py#/usr/bin/python#coding=utf-8import HTMLParserhtml_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：

Traceback (most recent call last):  File "html.py", line 7, in <module>    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：

#/usr/bin/python#coding=utf-8import HTMLParserimport sysreload(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：

” " &quot; & & &amp; < < &lt; > > &gt; 不断开空格(non-breaking space)   &nbsp;

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：

#/usr/bin/python#coding=utf-8def replace_html(s):    s = s.replace('&quot;','"')    s = s.replace('&amp;','&')    s = s.replace('&lt;','<')    s = s.replace('&gt;','>')    s = s.replace('&nbsp;',' ')    s = s.replace(' - 361way.com','')    print sreplace_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。