扣丁学堂Python培训之处理HTML转义字符五种方式详解

yjinhao 2018-01-25

今天扣丁学堂给大家介绍一下关于用Python处理HTML转义字符的5种方式,首先大多数Python初学者觉得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 经常会混杂有转移字符,这些字符我们需要把它转义成真正的字符。

扣丁学堂Python培训之处理HTML转义字符五种方式详解

什么是转义字符

在 HTML 中 <、>、& 等字符有特殊含义(<,> 用于标签中,& 用于转义),他们不能在 HTML 代码中直接使用,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),例如 < 的转义字符是 <,浏览器渲染 HTML 页面时,会自动把转移字符串换成真实字符。

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 <

空格

< 小于 <

> 大于 >

& &符号 &

" 双引号 "

© 版权 ©

® 已注册商标 ®

Python 转义字符串反转义

用 Python 来处理转义字符串有多种方式,而且 py2 和 py3 中处理方式不一样,在 python2 中,反转义的模块是 HTMLParser。

# Python2

import HTMLParser

>>> HTMLParser().unescape('param=p1¶m=p2')

'param=p1¶m=p2'

Python3 HTMLParser 模块迁移到了 html.parser

# Python3

>>> from html.parser import HTMLParser

>>> HTMLParser().unescape('param=p1¶m=p2')

'param=p1¶m=p2'

到 python3.4 以后的版本,在 html 模块新增了 unescape 方法。

# Python3.4

>>> import html

>>> html.unescape('param=p1¶m=p2')

'param=p1¶m=p2'

推荐最后一种写法,因为 HTMLParser.unescape 方法在 Python3.4 就已经被废弃掉不推荐使用了,意味着之后的版本会被彻底移除。

另外,xml的sax模块也有支持反转义的函数

>>> from xml.sax.saxutils import unescape

>>> unescape('param=p1¶m=p2')

'param=p1¶m=p2'

以上就是关于扣丁学堂Python培训之处理HTML转义字符五种方式的详细介绍,最后想要了解更多关于Python发展前景趋势,请关注扣丁学堂官网、微信等平台,扣丁学堂IT职业在线学习教育平台为您提供权威的Python培训视频教程系统,通过千锋扣丁学堂金牌讲师在线录制的Python视频教程课程,让你快速掌握Python从入门到精通开发实战技能。扣丁学堂Python技术交流群:279521237。

相关推荐