HTMLParser.HTMLParser().unescape() 不起作用

Question

我想将 HTML 实体转换回人类可读的格式，例如'£' 到 '£'，'°' 到 '°' 等等。

我已经阅读了几篇关于这个问题的帖子

Converting html source content into readable format with Python 2.x

Decode HTML entities in Python string?

Convert XML/HTML Entities into Unicode String in Python

据他们说，我选择使用未记录的函数 unescape()，但它对我不起作用...

我的代码示例如下：

import HTMLParser

htmlParser = HTMLParser.HTMLParser()
decoded = htmlParser.unescape('© 2013')
print decoded

当我运行这个 python 脚本时，输出仍然是：

© 2013

而不是

© 2013

我正在使用 Python 2.X，在 Windows 7 和 Cygwin 控制台上工作。我用谷歌搜索并没有发现任何类似的问题..有人可以帮我解决这个问题吗？

Answer 1

显然HTMLParser.unescape 在Python 2.6 之前是bit more primitive。

Python 2.5：

>>> import HTMLParser
>>> HTMLParser.HTMLParser().unescape('©')
'©'

Python 2.6/2.7：

>>> import HTMLParser
>>> HTMLParser.HTMLParser().unescape('©')
u'\xa9'

查看2.5 implementation 与2.6 implementation / 2.7 implementation

Answer 2

This site 列出了一些解决方案，这里是其中之一：

from xml.sax.saxutils import escape, unescape

html_escape_table = {
    '"': """,
    "'": "'",
    "©": "©"
    # etc...
}
html_unescape_table = {v:k for k, v in html_escape_table.items()}

def html_unescape(text):
    return unescape(text, html_unescape_table)

虽然不是最漂亮的，因为您必须手动列出每个转义符号。

编辑：

这个怎么样？

import htmllib

def unescape(s):
    p = htmllib.HTMLParser(None)
    p.save_bgn()
    p.feed(s)
    return p.save_end()

Answer 3

在 python 3.9 中使用HTMLParser()unescape(<str>) 会导致错误AttributeError: 'HTMLParser' object has no attribute 'unescape'

您可以将其更新为：

import html
html.unescape(<str>)