在字符串中處理html和xml

問題

你想將 HTML 或者 XML 實體如 &entity; 或 &#code; 替換為對應的文本。再者，你需要轉換文本中特定的字符 (比如<, >, 或 &)。

解法

如果你想替換文本字符串中的 ‘<’ 或者 ‘>’ ，使用 html.escape() 函數可以很容易的完成。比如：

>>> s = 'Elements are written as "<tag>text</tag>".' >>> import html >>> print(s) Elements are written as "<tag>text</tag>". >>> print(html.escape(s)) Elements are written as &quot;&lt;tag&gt;text&lt;/tag&gt;&quot;. >>> # Disable escaping of quotes >>> print(html.escape(s, quote=False)) Elements are written as "&lt;tag&gt;text&lt;/tag&gt;". >>>

如果你正在處理的是 ASCII 文本，并且想將非 ASCII 文本對應的編碼實體嵌入進去，可以給某些 I/O 函數傳遞參數 errors=‘xmlcharrefreplace’ 來達到這個目。比如：

>>> s = 'Spicy Jalape?o' >>> s.encode('ascii', errors='xmlcharrefreplace') b'Spicy Jalape&#241;o' >>>

為了替換文本中的編碼實體，你需要使用另外一種方法。如果你正在處理 HTML或者 XML 文本，試著先使用一個合適的 HTML 或者 XML 解析器。通常情況下，這些工具會自動替換這些編碼值，你無需擔心。

有時候，如果你接收到了一些含有編碼值的原始文本，需要手動去做替換，通常你只需要使用 HTML 或者 XML 解析器的一些相關工具函數/方法即可。比如：

>>> s = 'Spicy &quot;Jalape&#241;o&quot.' >>> from html.parser import HTMLParser >>> p = HTMLParser() >>> p.unescape(s) 'Spicy "Jalape?o".' >>> >>> t = 'The prompt is &gt;&gt;&gt;' >>> from xml.sax.saxutils import unescape >>> unescape(t) 'The prompt is >>>' >>>

討論

在生成 HTML 或者 XML 文本的時候，如果正確的轉換特殊標記字符是一個很容易被忽視的細節。特別是當你使用 print() 函數或者其他字符串格式化來產生輸出的時候。使用像 html.escape() 的工具函數可以很容易的解決這類問題。

如果你想以其他方式處理文本，還有一些其他的工具函數比如xml.sax.saxutils.unescapge() 可以幫助你。然而，你應該先調研清楚怎樣使用一個合適的解析器。比如，如果你在處理 HTML 或 XML 文本，使用某個解析模塊比如 html.parse 或 xml.etree.ElementTree 已經幫你自動處理了相關的替換細節。

總結

以上是生活随笔為你收集整理的《Python Cookbook 3rd》笔记（2.17）：在字符串中处理html和xml的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。