用 Python 处理 HTML 转义字符

By 刘志军, 2017-12-26, 分类: python技术

python

写爬虫是一个发送请求,提取数据,清洗数据,存储数据的过程。在这个过程中,不同的数据源返回的数据格式各不相同,有 JSON 格式,有 XML 文档,不过大部分还是 HTML 文档,HTML 经常会混杂有转义字符,这些字符我们需要把它转义成可显示的字符。

什么是转义字符

在 HTML 中 <、>、& 等字符有特殊含义(<,> 是标签对,& 用于转义),他们不能直接写在 HTML 代码中,如果要在网页中显示这些符号,就需要使用 HTML 的转义字符串(Escape Sequence)来表示,例如 < 的对应的转义字符是 <,浏览器渲染 HTML 页面时,会自动把转义字符串换成可显示的字符。

转义字符(Escape Sequence)由三部分组成:第一部分是一个 & 符号,第二部分是实体(Entity)名字,第三部分是一个分号。 比如,要显示小于号(<),就可以写< 。

显示字符 说明 转义字符
< 小于 &lt;
空格 &nbsp;
< 小于 &lt;
> 大于 &gt;
& &符号 &amp;
" 双引号 &quot;
© 版权 &copy;
® 已注册商标 &reg;

python3.4 以上版本,可直接使用 html 模块下的 unescape 和 escape 方法。

>>> import html

>>> html.escape("1>2")
'1&gt;2'

>>> html.unescape('a=1&amp;b=2')
'a=1&b=2'

有问题可以扫描二维码和我交流

关注公众号「Python之禅」,回复「1024」免费获取Python资源

python之禅

猜你喜欢

2020-06-14
python合并两个列表
2016-09-18
分析urllib.unquote乱码的原因
2017-03-15
Python 函数中,参数是传值,还是传引用?
2020-06-13
检查对象中是否存在某个属性
2017-10-22
图解Python变量与赋值
2017-07-02
一本书搞定Python入门到实践
2020-06-07
求求你,别再手工造假数据了,fake了解一下
2019-04-25
命令行神器 Click 快速上手
2017-11-03
Python陷阱:为什么不能用可变对象作为默认参数的值
2020-06-04
如何用Python执行linux命令