Python中如何进行HTML特殊字符与Unicode代码的转换

在处理HTML内容的时候经常会遇到 1405; 816;、<、> 这样的怪字符，一般称为HTML特殊符号，而后面加一串数值，则是网页中Unicode的表示形式。

HTML特殊符号编码对照表

通过cgi模块中的escape函数可以将常见的特殊符号转换为HTML的表现形式，但要转换回来，cgi模块并没有提供unescape这样的函数。

在网上找到一篇介绍如何进行这种反向转换的文章：Escaping HTML

另外，如果得到的HTML代码中含有 1405; 816;这样的Unicode代码，可以使用unichr函数来进行转换：

代码

def  unescape_word(s):
    words  =  re.findall( " (\d+); " , s)
     if  words:
        result  =  unicode(s,  " gb18030 " )
        u  =  unicode()
         for  word  in  map(int, words):
            h, l  =  word  /   0x100 , word  %   0x100
            u  =  unichr(l  *   0x100   +  h)
            result  =  result.replace( " %s; "   %  word, u)
        result  =  result.encode( " gb18030 " )
     else :
        result  =  s
     return  result

 

 

转载于:https://www.cnblogs.com/ddgg/archive/2010/07/27/1786045.html