python - 在 Python 中将 html 实体转换为 ascii

Question

我需要使用 Python 将任何 html 实体转换为其 ASCII 等效项。我的用例是我正在清理一些用于构建电子邮件的 HTML，以从 HTML 创建纯文本电子邮件。

现在，我只真正知道如何在我需要 ASCII(我认为)时从这些实体创建 unicode，这样纯文本电子邮件才能正确读取带有重音字符之类的东西。我认为一个基本的例子是 html 实体“＆aacute;”或 á 被编码为 ASCII。

此外，我什至不能 100% 确定 ASCII 是我需要的明文电子邮件。如您所知，我完全迷失了这种编码方式。

Answer 1

这是一个完整的实现，它还可以处理 unicode html 实体。您可能会发现它很有用。

它返回一个非 ascii 的 unicode 字符串，但如果您想要纯 ascii，您可以修改替换操作，以便将实体替换为空字符串。

def convert_html_entities(s):
    matches = re.findall("&#\d+;", s)
    if len(matches) > 0:
        hits = set(matches)
        for hit in hits:
            name = hit[2:-1]
            try:
                entnum = int(name)
                s = s.replace(hit, unichr(entnum))
            except ValueError:
                pass

    matches = re.findall("&#[xX][0-9a-fA-F]+;", s)
    if len(matches) > 0:
        hits = set(matches)
        for hit in hits:
            hex = hit[3:-1]
            try:
                entnum = int(hex, 16)
                s = s.replace(hit, unichr(entnum))
            except ValueError:
                pass

    matches = re.findall("&\w+;", s)
    hits = set(matches)
    amp = "&"
    if amp in hits:
        hits.remove(amp)
    for hit in hits:
        name = hit[1:-1]
        if htmlentitydefs.name2codepoint.has_key(name):
            s = s.replace(hit, unichr(htmlentitydefs.name2codepoint[name]))
    s = s.replace(amp, "&")
    return s 

编辑:添加十六进制代码匹配。我已经使用它一段时间了，并遇到了我的第一个情况，' 这是一个单引号/撇号。