下面是一个完整的实现,它还处理unicode html实体。你可能会发现它很有用。
它返回一个不是ascii的unicode字符串,但是如果您想要纯ascii,您可以修改替换操作,以便将实体替换为空字符串。def convert_html_entities(s):
matches = re.findall("\d+;", s)
if len(matches) > 0:
hits = set(matches)
for hit in hits:
name = hit[2:-1]
try:
entnum = int(name)
s = s.replace(hit, unichr(entnum))
except ValueError:
pass
matches = re.findall("[xX][0-9a-fA-F]+;", s)
if len(matches) > 0:
hits = set(matches)
for hit in hits:
hex = hit[3:-1]
try:
entnum = int(hex, 16)
s = s.replace(hit, unichr(entnum))
except ValueError:
pass
matches = re.findall("&\w+;", s)
hits = set(matches)
amp = "&"
if amp in hits:
hits.remove(amp)
for hit in hits:
name = hit[1:-1]
if htmlentitydefs.name2codepoint.has_key(name):
s = s.replace(hit, unichr(htmlentitydefs.name2codepoint[name]))
s = s.replace(amp, "&")
return s
编辑:为十六进制代码添加匹配。我用这个已经有一段时间了,遇到了我的第一个情况,是一个单引号/撇号。