用Python字符串解码HTML实体？

Question

我正在使用Beautiful Soup 3解析一些HTML，但是它包含HTML实体，Beautiful Soup 3不会自动为我解码：

>>> from BeautifulSoup import BeautifulSoup

>>> soup = BeautifulSoup("<p>&pound;682m</p>")
>>> text = soup.find("p").string

>>> print text
&pound;682m

如何解码HTML实体text以获得"£682m"而不是"£682m"。

Answer 1

Python 3.4以上

用途html.unescape()：

import html
print(html.unescape('£682m'))

FYI
html.parser.HTMLParser.unescape已弃用，并且应该在3.5中删除，尽管它是错误地保留的。它将很快从语言中删除。

Python 2.6-3.3

您可以HTMLParser.unescape()从标准库中使用：

• 对于python 2.6-2.7 HTMLParser

• 对于Python 3 html.parser

  try:
  … # Python 2.6-2.7
  … from HTMLParser import HTMLParser
  … except ImportError:
  … # Python 3
  … from html.parser import HTMLParser
  …
  h = HTMLParser()
  print(h.unescape(‘£682m’))
  £682m
  
  

您还可以使用six兼容性库来简化导入：

>>> from six.moves.html_parser import HTMLParser
>>> h = HTMLParser()
>>> print(h.unescape('£682m'))
£682m