我有一个 html 页面列表,其中可能包含某些编码字符。一些例子如下 -
<a href="mailto:lad%20at%20maestro%20dot%20com">
<em>ada@graphics.maestro.com</em>
<em>mel@graphics.maestro.com</em>
我想将这些字符串解码(转义,我不确定当前的术语)为 -
<a href="mailto:lad at maestro dot com">
<em>ada@graphics.maestro.com</em>
<em>mel@graphics.maestro.com</em>
请注意,HTML 页面采用字符串格式。此外,我不想使用任何外部库,如 BeautifulSoup 或 lxml,只有 native python 库是可以的。
编辑 -
以下解决方案并不完美。使用 urllib2 转义的 HTML 解析器抛出一个
UnicodeDecodeError: 'ascii' codec can't decode byte 0x94 in position 31: ordinal not in range(128)
在某些情况下会出错。
最佳答案
您需要取消转义 HTML 实体和 URL-unquote。
标准库有 HTMLParser
和 urllib2
帮助完成这些任务。
import HTMLParser, urllib2
markup = '''<a href="mailto:lad%20at%20maestro%20dot%20com">
<em>ada@graphics.maestro.com</em>
<em>mel@graphics.maestro.com</em>'''
result = HTMLParser.HTMLParser().unescape(urllib2.unquote(markup))
for line in result.split("\n"):
print(line)
结果:
<a href="mailto:lad at maestro dot com">
<em>ada@graphics.maestro.com</em>
<em>mel@graphics.maestro.com</em>
编辑:
如果您的网页可以包含非 ASCII 字符,您需要注意在输入时解码并在输出时编码。
您上传的示例文件的字符集设置为 cp-1252
,因此让我们尝试将其解码为 Unicode:
import codecs
with codecs.open(filename, encoding="cp1252") as fin:
decoded = fin.read()
result = HTMLParser.HTMLParser().unescape(urllib2.unquote(decoded))
with codecs.open('/output/file.html', 'w', encoding='cp1252') as fou:
fou.write(result)
编辑2:
如果您不关心非 ASCII 字符,您可以稍微简化一下:
with open(filename) as fin:
decoded = fin.read().decode('ascii','ignore')
...
关于python - 字符串python的编码解码,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/9856990/