Python 在字符串中處理html 和xml

 問題：

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&)。

 

解決方案:

 ①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。

>>> 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 "<tag>text</tag>".
>>> # Disable escaping of quotes
>>> print(html.escape(s, quote=False))
Elements are written as "<tag>text</tag>".

 

 ②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。

>>> s = 'Spicy Jalapeño'
>>> s.encode('ascii', errors='xmlcharrefreplace')
b'Spicy Jalapeño'
>>>

 

③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，試着先使用一個合適的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。

>>> s = 'Spicy "Jalapeño&quot.'
>>> from html.parser import HTMLParser
>>> p = HTMLParser()
>>> p.unescape(s)
'Spicy "Jalapeño".'
>>>
>>> t = 'The prompt is >>>'
>>> from xml.sax.saxutils import unescape
>>> unescape(t)
'The prompt is >>>'
>>>

 

④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。