python-2.7 - 在 Python 2.7.3/Raspberry Pi 中使用特殊字符转义 HTML

Question

我被困在这里试图对 HTML 特殊字符进行转义。

有问题的文字是

Rudimental & Emeli Sandé

应该转换为
基本和 Emeli Sandé

文本通过 WGET 下载(python 之外)

要对此进行测试，请使用此行保存 ANSI 文件并将其导入。

import HTMLParser

trackentry = open('import.txt', 'r').readlines()
print(trackentry)
track = trackentry[0]
html_parser = HTMLParser.HTMLParser()

track = html_parser.unescape(track)

print(track)

当一行中有 é 时，我收到此错误。

*pi@raspberrypi ~/scripting $ python unparse.py
['Rudimental & Emeli Sand\xe9\n']
Traceback (most recent call last):
  File "unparse.py", line 9, in <module>
    track = html_parser.unescape(track)
  File "/usr/lib/python2.7/HTMLParser.py", line 472, in unescape
    return re.sub(r"&(#?[xX]?(?:[0-9a-fA-F]+|\w{1,8}));", replaceEntities, s)
  File "/usr/lib/python2.7/re.py", line 151, in sub
    return _compile(pattern, flags).sub(repl, string, count)
UnicodeDecodeError: 'ascii' codec can't decode byte 0xe9 in position 11: ordinal not in range(128)*

相同的代码在 Windows 下运行良好 - 我只在 raspberry pi 上有问题
运行 Python 2.7.3。

Answer 1

Python 无法使用 ASCII 编解码器解码 'é' ('\xe9')，因为该字符不是 7 位 ASCII。

你的问题(浓缩):

import HTMLParser
parser = HTMLParser.HTMLParser()
input = 'Rudimental & Emeli Sand\xe9'
output = parser.unescape(input)

产生

Traceback (most recent call last):
  File "problem.py", line 4, in <module>
    output = parser.unescape(input)
  File "/usr/lib/python2.7/HTMLParser.py", line 475, in unescape
    return re.sub(r"&(#?[xX]?(?:[0-9a-fA-F]+|\w{1,8}));", replaceEntities, s)
  File "/usr/lib/python2.7/re.py", line 151, in sub
    return _compile(pattern, flags).sub(repl, string, count)
UnicodeDecodeError: 'ascii' codec can't decode byte 0xe9 in position 11: ordinal not in range(128)

HTMLParser.unescape() 返回 unicode 对象，因此必须转换您的输入 str .所以它要求默认编码(在您的情况下是 ASCII)并且无法将 '\xe9' 解释为 ASCII 字符(因为它不是)。我猜你的文件编码是 ISO-8859-1，其中 '\xe9' 是 'é'。

有两个简单的解决方案。要么您手动进行转换:

import HTMLParser
parser = HTMLParser.HTMLParser()
input = 'Rudimental & Emeli Sand\xe9'
input = input.decode('iso-8859-1')
output = parser.unescape(input)

或者您使用 编解码器.open() 而不是 打开()每当您处理文件时:

import codecs
import HTMLParser
parser = HTMLParser.HTMLParser()
input = codecs.open("import.txt", encoding="iso-8859-1").readline()
output = parser.unescape(input)