python处理html符号转义

Python处理HTML转义字符

在抓网页数据经常遇到例如>或者 这种HTML转义符，抓到字符串里很是烦人。

比方说一个从网页中抓到的字符串:

p =’<abc>’

用Python可以这样处理：

import html
p = '<abc>'
txt= html.unescape(p)
print (txt)
#这样就得到了txt= '<abc>'

如果还想转回去，可以这样：

import cgi
q = cgi.escape(html)
print(q)
#这样又回到了 html = '<abc&gt'

#python3.2以后：

import html
q = html.escape(html)
print(q)
#这样又回到了 html = '<abc&gt'

注：
parse_qs, parse_qsl 和 escape 已从 cgi 模块中被移除。 这些函数自 Python 3.2 或更早就已被弃用。 它们应改为从 urllib.parse 和 html 模块导入。

详见python3.8技术文档

python-html

该模块定义了操作HTML的工具。

• 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="...">。3.2 新版功能.

• html.``unescape(s)

  将字符串 s 中的所有命名和数字字符引用 (例如 >, >, >) 转换为相应的Unicode字符。 此函数使用HTML 5标准为有效和无效字符引用定义的规则，以及 HTML 5 命名字符引用列表。3.4 新版功能.

---

html 包中的子模块是：

• html.parser —— 具有宽松解析模式的HTML / XHTML解析器
• html.entities – HTML 实体定义