一些网页会把中文转为html实体，做爬虫时就需要把html实体转换为中文，下面介绍使用python 对它们作相互转换。
html 实体
1python & #20013;& #25991;& #21644;html & #23454;& #20307;& #30456;& #20114;& #36716;& #25442;
相互转换
把html 实体和中文互转：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
import re
s = 'python 中文和html 实体相互转换'
# s = 'python & #20013;& #25991;& #21644;html & #23454;& #20307;& #30456;& #20114;& #36716;& #25442;'
print s
def convert_callback(matches):
char_id = matches.group(1)
try:
return unichr(int(char_id))
except:
return char_id
s2 = re.sub("&#(\d+)(;|(?=\s))", convert_callback, s)
print s2
# print s2.decode('utf-8').encode('ascii','xmlcharrefreplace')
print s2.encode('ascii','xmlcharrefreplace')
输出
1
2
3
python & #20013;& #25991;& #21644;html & #23454;& #20307;& #30456;& #20114;& #36716;& #25442;
python 中文和html 实体相互转换
python & #20013;& #25991;& #21644;html & 23454;& #20307;& #30456;& #20114;& #36716;& #25442;
本文网址: https://pylist.com/topic/65.html 转摘请注明来源