私はいくつかの Web スクレイピングを行っており、サイトでは非 ASCII 文字を表すために HTML エンティティを頻繁に使用しています。Python には、HTML エンティティを含む文字列を受け取り、Unicode 型を返すユーティリティがありますか?
例えば:
私は戻ってきます:
ǎ
声調の付いた「ǎ」を表します。バイナリでは、これは 16 ビットの 01ce として表されます。html実体を値に変換したい u'\u01ce'
Python にはhtmlentitydefsモジュールがありますが、これには HTML エンティティをエスケープ解除する機能が含まれていません。
Python 開発者の Fredrik Lundh (elementtree の作成者など) は、彼の Web サイトに、10 進数、16 進数、および名前付きエンティティで動作する関数を持っています。
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)
標準ライブラリの非常に独自の HTMLParser には、文書化されていない関数 unescape() があります。これは、あなたが思っていることを正確に実行します。
Python 3.4 まで:
import HTMLParser
h = HTMLParser.HTMLParser()
h.unescape('© 2010') # u'\xa9 2010'
h.unescape('© 2010') # u'\xa9 2010'
Python 3.4+:
import html
html.unescape('© 2010') # u'\xa9 2010'
html.unescape('© 2010') # u'\xa9 2010'
ビルトインを使用unichr
-- BeautifulSoup は必要ありません:
>>> entity = 'ǎ'
>>> unichr(int(entity[3:],16))
u'\u01ce'
Python 3.4 以降を使用している場合は、次のように単純に使用できますhtml.unescape
。
import html
s = html.unescape(s)
lxml がある場合の代替手段:
>>> import lxml.html
>>> lxml.html.fromstring('ǎ').text
u'\u01ce'
ここで答えを見つけることができます-ウェブページから国際文字を取得しますか?
編集BeautifulSoup
: 16 進数形式で記述されたエンティティを変換しないようです。修正できます:
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>ǎǎ</html>'
print repr(convert(html))
# u'\u01ce\u01ce'
編集:
unescape()
標準モジュールを使用 する@dFによって言及された関数であり、この場合により適切である可能性があります。htmlentitydefs
unichr()
これは、エンティティを正しく変換して utf-8 文字に戻すのに役立つ関数です。
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;"
elif text[1:-1] == "gt":
text = "&gt;"
elif text[1:-1] == "lt":
text = "&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)
スタック オーバーフロー スレッドに「;」が含まれていない理由がわからない そうしないと、隣接する文字が HTML コードの一部として解釈される可能性があるため、BeautifulSoup はバーフする可能性があります(つまり、 の場合は 'B)。 39ブラックアウト)。
これは私にとってはうまくいきました:
import re
from BeautifulSoup import BeautifulSoup
html_string='<a href="/cgi-bin/article.cgi?f=/c/a/2010/12/13/BA3V1GQ1CI.DTL"title="">'Blackout in a can; on some shelves despite ban</a>'
hexentityMassage = [(re.compile('&#x([^;]+);'),
lambda m: '&#%d;' % int(m.group(1), 16))]
soup = BeautifulSoup(html_string,
convertEntities=BeautifulSoup.HTML_ENTITIES,
markupMassage=hexentityMassage)
別の解決策は、組み込みライブラリ xml.sax.saxutils (html と xml の両方) です。ただし、変換されるのは >、&、< のみです。
from xml.sax.saxutils import unescape
escaped_text = unescape(text_to_escape)
dFの答えのPython 3バージョンは次のとおりです。
import re
import html.entities
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.
"""
def fixup(m):
text = m.group(0)
if text[:2] == "&#":
# character reference
try:
if text[:3] == "&#x":
return chr(int(text[3:-1], 16))
else:
return chr(int(text[2:-1]))
except ValueError:
pass
else:
# named entity
try:
text = chr(html.entities.name2codepoint[text[1:-1]])
except KeyError:
pass
return text # leave as is
return re.sub("&#?\w+;", fixup, text)
主な変更点は、 that htmlentitydefs
is nowhtml.entities
とunichr
that is nowに関するものchr
です。このPython 3 移植ガイドを参照してください。