如何在 Python 中将扩展的 ASCII 转换为 HTML 实体名称？答案

【问题标题】：How to Convert Extended ASCII to HTML Entity Names in Python?如何在 Python 中将扩展的 ASCII 转换为 HTML 实体名称？
【发布时间】：2011-03-19 18:35:39
【问题描述】：

我目前正在这样做以将扩展 ascii 字符替换为它们的 HTML-entity-number 等效项：

s.encode('ascii', 'xmlcharrefreplace')

我想做的是转换为等效的 HTML 实体名称（即 &copy; 而不是 &#169;）。下面的这个小程序显示了我正在尝试做的事情是失败的。除了查找/替换之外，有没有办法做到这一点？

#coding=latin-1

def convertEntities(s):
    return s.encode('ascii', 'xmlcharrefreplace')

ok = 'ascii: !@#$%^&*()<>'
not_ok = u'extended-ascii: ©®°±¼'

ok_expected = ok
not_ok_expected = u'extended-ascii: &copy;&reg;&deg;&plusmn;&frac14;'

ok_2 = convertEntities(ok)
not_ok_2 = convertEntities(not_ok)

if ok_2 == ok_expected:
    print 'ascii worked'
else:
    print 'ascii failed: "%s"' % ok_2

if not_ok_2 == not_ok_expected:
    print 'extended-ascii worked'
else:
    print 'extended-ascii failed: "%s"' % not_ok_2

【问题讨论】：

标签： python html encoding ascii

【解决方案1】：

htmlentitydefs是你想要的吗？

import htmlentitydefs
htmlentitydefs.codepoint2name.get(ord(c),c)

【讨论】：

是的，这就是我要找的东西....虽然还没有。我想我有一个基于此的解决方案

【解决方案2】：

编辑

其他人提到了我从不知道的htmlentitydefs。它将以这种方式与我的代码一起使用：

from htmlentitydefs import entitydefs as symbols

for tag, val in symbols.iteritems():
   mystr = mystr.replace("&{0};".format(tag), val)

这应该可行。

【讨论】：

这就是为什么我说“除了查找/替换”，换句话说，我不想建立一个 128 个字符的字典。这个解决方案适用于我发布的代码
好吧，我刚刚调整了我的代码以使用其他人提到的htmlentitydefs。现在您不必构建它:)
看起来更好...可能需要添加一些对 ASCII 码的检查，因为我不希望将“<
entitydefs.get('<', False) => False - 这只是一种替换方式：for e in entitydefs: print e 查看所有标签。

【解决方案3】：

我不确定如何直接使用，但我认为htmlentitydefs 模块会很有用。可以在here 找到一个示例。

【讨论】：

【解决方案4】：

更新这是我要使用的解决方案，有一个小修复来检查 entitydefs 是否包含我们拥有的字符的映射。

def convertEntities(s):
    return ''.join([getEntity(c) for c in s])

def getEntity(c):
    ord_c = ord(c)
    if ord_c > 127 and ord_c in htmlentitydefs.codepoint2name:
        return "&%s;" % htmlentitydefs.codepoint2name[ord_c]
    return c

【讨论】：

【解决方案5】：

您确定不希望转换是可逆的吗？您的 ok_expected 字符串表示您不希望现有的 & 字符转义，因此转换将是一种方式。下面的代码假定 & 应该被转义，但如果你真的不想这样，只需删除 cgi.escape。

无论如何，我会将您的原始方法与正则表达式替换相结合：像以前一样进行编码，然后修复数字实体。这样您就不会最终通过 getEntity 函数映射每个字符。

#coding=latin-1
import cgi
import re
import htmlentitydefs

def replace_entity(match):
    c = int(match.group(1))
    name = htmlentitydefs.codepoint2name.get(c, None)
    if name:
        return "&%s;" % name
    return match.group(0)

def convertEntities(s):
    s = cgi.escape(s) # Remove if you want ok_expected to pass!
    s = s.encode('ascii', 'xmlcharrefreplace')
    s = re.sub("&#([0-9]+);", replace_entity, s)
    return s

ok = 'ascii: !@#$%^&*()<>'
not_ok = u'extended-ascii: ©®°±¼'

ok_expected = ok
not_ok_expected = u'extended-ascii: &copy;&reg;&deg;&plusmn;&frac14;'

ok_2 = convertEntities(ok)
not_ok_2 = convertEntities(not_ok)

if ok_2 == ok_expected:
    print 'ascii worked'
else:
    print 'ascii failed: "%s"' % ok_2

if not_ok_2 == not_ok_expected:
    print 'extended-ascii worked'
else:
    print 'extended-ascii failed: "%s"' % not_ok_2

【讨论】：