抓网页数据经常遇到例如>
或者
这种HTML转义符
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<
。
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,反转义串的模块是 HTMLParser
。
# python2
import HTMLParser
>>> HTMLParser().unescape('a=1&b=2')
'a=1&b=2'
Python3 把 HTMLParser 模块迁移到 html.parser
# python3
>>> from html.parser import HTMLParser
>>> HTMLParser().unescape('a=1&b=2')
'a=1&b=2'
到 python3.4 之后的版本,在 html 模块新增了unescape
和escape
方法。
# python3.4
>>> import html
>>> html.unescape('a=1&b=2')
'a=1&b=2'
>>> html.escape('a=1&b=2')
'a=1&b=2'
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,意味着之后的版本有可能会被彻底移除。
另外,sax 模块也有支持反转义的函数
>>> from xml.sax.saxutils import unescape,escape
>>> unescape('a=1&b=2')
'a=1&b=2'
>>> escape('a=1&b=2')
'a=1&b=2'
# -*- coding: utf-8 -*-
text = '<abc>'
text2 = ''
from bs4 import BeautifulSoup
print('----------------------bs4转义为正常字符----------------------------------')
soup = BeautifulSoup(text, features="html.parser")
print(soup.text)#
from lxml import etree
print('----------------------lxml转义为正常字符----------------------------------')
html=etree.HTML(text)
# 使用xpath获取content中的所有字符串
print(html.xpath("string(.)"))#
from html.parser import HTMLParser
print('----------------------html.parser转义为正常字符----------------------------------')
html_parser = HTMLParser()
text3 = html_parser.unescape(text)
print(text3)#
import html
print('----------------------html方法转义为正常字符----------------------------------')
text3=html.unescape(text)
print(text3) #
print('----------------------html方法转义为html字符----------------------------------')
text4=html.escape(text2)
print(text4) # <abc>
from xml.sax.saxutils import unescape,escape
print('----------------------xml.sax.saxutils转义为正常字符------------------------')
text3=unescape(text)
print(text3)#
print('----------------------xml.sax.saxutils转义为html字符------------------------')
text4=escape(text2)
print(text4) # <abc>
import cgi
print('----------------------cgi转义为html字符----------------------------------')
text3 = cgi.escape(text2)
print(text3)# <abc>
参考:https://www.cnblogs.com/xuxn/archive/2011/08/12/parse-html-escape-characters-in-python.html
https://blog.csdn.net/zhusongziye/article/details/78786519
https://www.cnblogs.com/du-jun/p/10345067.html