HTMLエンティティコードをテキストに変換する

Question

HTMLエンティティコード（たとえば<&）の文字列を通常の文字列（たとえば< &）に変換するPythonの簡単な方法を知っている人はいますか？

cgi.escape()は、文字列をエスケープします（不十分）が、unescape()はありません。

Answer 1

HTMLParserは、標準ライブラリの機能を備えています。

（Python2 Docs）

>>> import HTMLParser 
>>> h= HTMLParser.HTMLParser() 
>>> h.unescape('alpha < β') 
u'alpha < \u03b2' 

（Pythonの3 Docs）

>>> import html.parser 
>>> h = html.parser.HTMLParser() 
>>> h.unescape('alpha < β') 
'alpha < \u03b2' 

htmlentitydefs文書化されているのが、仕事を自分の多くを行うためにあなたを必要とします。それは、残念ながら、文書化されていません。

XML事前定義エンティティ（lt、gt、amp、quot、apos）のみが必要な場合は、minidomを使用してそれらを解析できます。あらかじめ定義されたエンティティと数字の文字参照を必要としない場合は、スピードのために単純な古い文字列置換を使用することもできます。

Answer 2

HTMLをエスケープするためのPython stdlibには何も組み込まれていませんが、必要に応じて調整できる短いスクリプトがhttp://www.w3.org/QA/2008/04/unescape-html-entities-python .htmlです。

Answer 3

htmlentitydefsモジュールを使用してください。この私の古いコードは、それが働いていたが、私はそれを行うには、よりクリーンで神託方法があると確信している：

e2c = dict(('&%s;'%k,eval("u'\\u%04x'"%v)) for k, v in htmlentitydefs.name2codepoint.items()) 

Answer 4

私が最初にそれをタグ付けするのを忘れ、私はBeautifulSoupを使用しています。マニュアルに周り掘り

は、私が見つかりました：

soup = BeautifulSoup(html, convertEntities=BeautifulSoup.HTML_ENTITIES) 

は私が望んでいたとおりにそれをしません。