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

2020-05-07
Python自制PornHub风格的LOGO
2017-07-12
简述 __init__、__new__、__call__ 方法
2020-06-04
object is not subscriptable 是什么错误
2020-05-07
Python挑战题
2019-06-13
SQLAlchemy update 报错
2019-05-13
Python 在函数中使用全局变量
2019-05-13
python3判断list是否为空
2020-06-14
python删除文件
2019-05-12
一行代码将 cookie 字符串转换成字典对象
2013-10-30
Python“不为人知的”特性