python中如何处理html字符实体转换为字符及互转方式

熟悉html语言的会知道html中有字符实体一说，为了避免解析错误正确显示，html中有些字符要用字符实体替代。常见的有“<”小于号用“&lt;”替代，“>”大于号用“&gt;”替代，“&”和号用“&amp;”替代，“"”双引号用“&quot;”替代，“ ”空格用“&nbsp;”替代等。汉子及特殊字符都可以用对应的字符实体替代。如 “&copy;”表示版权的符号“©”，“&#20013;”表示汉子“中”。

使用python抓取网页源代码时，经常遇见html中有字符实体。如何转换为正常显示的字符串了，可以使用python中自带的html库下面unescape()函数来处理。

import html
print(html.unescape('Copyright©2003-2021 python&php 学习'))
#输出为：Copyright©2003-2021 python&php 学习

如何将字符转换为html字符实体了，可以有两种方法

（1）、如果只是要转换“<”、“>”、“&”、“"”、“'”这几个字符，可以使用html库下面escape()函数来转换

import html
print(html.escape("<python>url='username=zz&age=30'</python>"))
#输出为：&lt;python&gt;url=&#x27;username=zz&amp;age=30&#x27;&lt;/python&gt;

（2）、可以使用自定义函数将所有字符转换为对应的html字符实体

def htmlEntities( string ):
    return ''.join(['&#{0};'.format(ord(char)) for char in string])
print(htmlEntities('hello中国'))
#输出为：hello中国