用 Python 处理 HTML 转义字符

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< 。

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>2'

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

关注公众号「Python之禅」，回复「1024」免费获取Python资源