python - 在 Python 中处理 `
`

Question

问题背景:

我有一个 XML 文件，我正在将其导入 BeautifulSoup 并进行解析。一个节点有以下内容:

<DIAttribute name="ObjectDesc" value="Line1&#xD;&#xA;Line2&#xD;&#xA;Line3"/>

请注意，该值在文本中包含 和 。我知道这些是回车和换行的 XML 表示。

当我导入到 BeautifulSoup 时，值会转换为以下内容:

<DIAttribute name="ObjectDesc" value="Line1
Line2
Line3"/>

您会注意到 被转换为换行符。

我的用例要求该值保持原始值。知道如何让它留下来吗？或者将其转换回来？

源代码:

python :(2.7.11)

from bs4 import BeautifulSoup #version 4.4.0
s = BeautifulSoup(open('test.xml'),'lxml-xml',from_encoding="ansi")
print s.DIAttribute

#XML file looks like 
'''
<?xml version="1.0" encoding="UTF-8" ?>
<DIAttribute name="ObjectDesc" value="Line1&#xD;&#xA;Line2&#xD;&#xA;Line3"/>
'''

Notepad++ 说源 XML 文件的编码是 ANSI。

我尝试过的事情:

• 我已经搜索了文档但没有成功。

• 第 3 行的变体:

  print s.DIAttribute.prettify('ascii')
  print s.DIAttribute.prettify('windows-1252')
  print s.DIAttribute.prettify('ansi')
  print s.DIAttribute.prettify('utf-8')
  print s.DIAttribute['value'].replace('\r','
').replace('\n','
')  #This works, but it feels like a bandaid and will likely other problems will remain.
  

有什么想法吗？我感谢任何意见/建议。

Answer 1

仅作记录，首先是不正确处理 实体的库:BeautifulSoup(data ,convertEntities=BeautifulSoup.HTML_ENTITIES)，lxml.html.soupparser.unescape，xml.sax.saxutils.unescape

这就是有效的(在 Python 2.x 中):

import sys
import HTMLParser

## accept file name as argument, or read stdin if nothing passed
data = len(sys.argv) > 1 and open(sys.argv[1]).read() or sys.stdin.read()

parser = HTMLParser.HTMLParser()
print parser.unescape(data)