将HTML实体转换为Unicode，反之亦然

可能重复：

• 在Python中将XML / HTML实体转换为Unicode字符串
• HTML实体代码到文本

如何在Python中将HTML实体转换为Unicode，反之亦然？

至于“反之亦然”（我需要我自己，导致我发现这个问题没有帮助，随后又找到了一个有答案的站点）：

u'some string'.encode('ascii', 'xmlcharrefreplace')

将返回一个纯字符串，其中任何非ASCII字符都将变成XML（HTML）实体。

您需要有BeautifulSoup。

from BeautifulSoup import BeautifulStoneSoup
import cgi

def HTMLEntitiesToUnicode(text):
    """Converts HTML entities to unicode.  For example '&' becomes '&'."""
    text = unicode(BeautifulStoneSoup(text, convertEntities=BeautifulStoneSoup.ALL_ENTITIES))
    return text

def unicodeToHTMLEntities(text):
    """Converts unicode to HTML entities.  For example '&' becomes '&'."""
    text = cgi.escape(text).encode('ascii', 'xmlcharrefreplace')
    return text

text = "&, ®, <, >, ¢, £, ¥, €, §, ©"

uni = HTMLEntitiesToUnicode(text)
htmlent = unicodeToHTMLEntities(uni)

print uni
print htmlent
# &, ®, <, >, ¢, £, ¥, €, §, ©
# &amp;, &#174;, &lt;, &gt;, &#162;, &#163;, &#165;, &#8364;, &#167;, &#169;

Python 2.7和BeautifulSoup4的更新

Unescape-使用Unicode HTML进行Unicode编码htmlparser（Python 2.7 standard lib）：

>>> escaped = u'Monsieur le Curé of the «Notre-Dame-de-Grâce» neighborhood'
>>> from HTMLParser import HTMLParser
>>> htmlparser = HTMLParser()
>>> unescaped = htmlparser.unescape(escaped)
>>> unescaped
u'Monsieur le Cur\xe9 of the \xabNotre-Dame-de-Gr\xe2ce\xbb neighborhood'
>>> print unescaped
Monsieur le Curé of the «Notre-Dame-de-Grâce» neighborhood

Unescape-使用bs4（BeautifulSoup4）进行Unicode编码的Unicode HTML ：

>>> html = '''<p>Monsieur le Cur&eacute; of the &laquo;Notre-Dame-de-Gr&acirc;ce&raquo; neighborhood</p>'''
>>> from bs4 import BeautifulSoup
>>> soup = BeautifulSoup(html)
>>> soup.text
u'Monsieur le Cur\xe9 of the \xabNotre-Dame-de-Gr\xe2ce\xbb neighborhood'
>>> print soup.text
Monsieur le Curé of the «Notre-Dame-de-Grâce» neighborhood

Escape-使用bs4（BeautifulSoup4）的Unicode编码HTML ：

>>> unescaped = u'Monsieur le Curé of the «Notre-Dame-de-Grâce» neighborhood'
>>> from bs4.dammit import EntitySubstitution
>>> escaper = EntitySubstitution()
>>> escaped = escaper.substitute_html(unescaped)
>>> escaped
u'Monsieur le Curé of the «Notre-Dame-de-Grâce» neighborhood'

正如hekevintran答案所建议的那样，您可能会使用它cgi.escape(s)来编码字符串，但是请注意，该函数中的quote编码默认情况下为false，因此最好quote=True在字符串旁边传递关键字参数。但是即使通过传递quote=True，该函数也不会转义单引号（"'"）（由于这些问题，自3.2版以来，该函数已被弃用）

建议使用html.escape(s)代替cgi.escape(s)。（3.2版中的新功能）

也html.unescape(s)一直在3.4版本中引入的。

因此，在python 3.4中，您可以：

• 使用html.escape(text).encode('ascii', 'xmlcharrefreplace').decode()特殊字符转换为HTML实体。
• 而html.unescape(text)转换的HTML实体回纯文本表示。

$ python3 -c "
> import html
> print(
>     html.unescape('&©—')
> )"
&©—

$ python3 -c "
> import html
> print(
>     html.escape('&©—')
> )"
&©—

$ python2 -c "
> from HTMLParser import HTMLParser
> print(
>     HTMLParser().unescape('&©—')
> )"
&©—

$ python2 -c "
> import cgi
> print(
>     cgi.escape('&©—')
> )"
&©—

HTML仅严格要求转义（与号）&和<（左尖括号/小于号）。https://html.spec.whatwg.org/multipage/parsing.html#data-state

如果像我这样的人在那里想知道为什么有些实体编号（代码）像 ™ (for trademark symbol), € (for euro symbol)未正确编码，则原因是在ISO-8859-1（又名Windows-1252）中未定义这些字符。

另请注意，从html5开始，默认字符集为utf-8，对于html4则为ISO-8859-1

因此，我们将必须以某种方式解决该问题（首先查找并替换它们）

Mozilla文档的参考（起点）

https://developer.mozilla.org/zh-CN/docs/Web/Guide/Localizations_and_character_encodings

我使用以下函数将从xls文件中剥离的unicode转换为html文件，同时保留了xls文件中的特殊字符：

def html_wr(f, dat):
    ''' write dat to file f as html
        . file is assumed to be opened in binary format
        . if dat is nul it is replaced with non breakable space
        . non-ascii characters are translated to xml       
    '''
    if not dat:
        dat = ' '
    try:
        f.write(dat.encode('ascii'))
    except:
        f.write(html.escape(dat).encode('ascii', 'xmlcharrefreplace'))

希望这对某人有用

对于python3使用html.unescape()：

import html
s = "&"
decoded = html.unescape(s)
# &

#!/usr/bin/env python3
import fileinput
import html

for line in fileinput.input():
    print(html.unescape(line.rstrip('\n')))