相关疑难解决方法(0)

我正在做一些网页抓取,网站经常使用HTML实体来表示非ascii字符.Python是否有一个实用程序,它接受带有HTML实体的字符串并返回unicode类型？

例如:

我回来了:

ǎ

代表带有音标的"ǎ".在二进制中,这表示为16位01ce.我想将html实体转换为值 u'\u01ce'

我已经四处寻找并且只找到了python 2.6及更早版本的解决方案,没有关于如何在python 3.X中执行此操作.(我只能访问Win7盒子.)

我必须能够在3.1中执行此操作,并且最好不使用外部库.目前,我安装了httplib2并访问命令提示符curl(这就是我获取页面源代码的方式).不幸的是,curl不解码html实体,据我所知,我找不到在文档中解码它的命令.

是的,我试图让美丽的汤工作,很多时候没有成功3.X. 如果您可以在MS Windows环境中提供有关如何在python 3中使用它的EXPLICIT说明,我将非常感激.

所以,要清楚,我需要将这样Suzy & John的字符串转换成这样的字符串:"Suzy&John".

我有一个像这样的符号的字符串:

'

那显然是撇号.

我试了saxutils.unescape()没有运气,试过urllib.unquote()

我怎么解码这个？谢谢!

我有html编码的文本,如下所示:

RT <a href="http://twitter.com/freuter">@freuter</a>... 

我希望这显示为HTML,但我不确定是否有一个过滤器,我可以应用于此文本将html编码的文本转换回html ...

有人可以帮忙吗？

我正在尝试使用 django 使用feedgenerator.Rss201rev2Feed创建播客 rss 提要 作为提要生成器，它的工作方式与 BeautifulSoup 有点相反：将信息放入适当的 xml 标签中

它运行良好，但我不想转义所有html

特别是，我希望<itunes:summary>rss feed 的值显示如下： <itunes:summary><![CDATA[Link to <a href="http://www.website.com">the website</a>]]></itunes:summary> 按照Apple 规范

如果我在普通视图中渲染 html，我可以在 html 模板中使用|safe过滤器。我现在需要类似的东西，以有选择地防止<在 rss feed 中转义。

也就是说，我需要 rss 出现<![CDATA[...]]而不是转义<![CDATA[...]]>

然而，Django似乎“无论如何，Django都会自动转义RSS提要（或任何与此相关的XML）中的特殊字符，无论您是否通过安全过滤器传递它”（请参阅​​this 2009 Question）

到目前为止还没有运气：

因此，迄今为止使用mark_safe 的尝试已被证明是无用的。

我也不确定如何解释一种想法，将“autoescape=False 传递给 django.contrib.synmination.feeds 中的 render() 调用”。

添加到 addQuickElement 注释的建议, escape=False返回了错误

 handler.addQuickElement(u'itunes:summary',item['summary'], escape=False)
 TypeError: addQuickElement() got an unexpected keyword argument 'escape' …

我有以下文字:

"It's the show your only friend and pastor have been talking about! 
<i>Wonder Showzen</i> is a hilarious glimpse into the black 
heart of childhood innocence! Get ready as the complete first season of MTV2's<i> Wonder Showzen</i> tackles valuable life lessons like birth, 
nature, diversity, and history &#8211; all inside the prison of 
your mind! Where else can you..."

我想要做的是删除html标签并将其编码为unicode.我目前在做:

def remove_tags(text):
    return TAG_RE.sub('', text)

这只剥离了标签.我如何正确编码上面的数据库存储？

我有一个<img src=__string__>但字符串可能包含",我该怎么做才能逃脱它？

例:

__string__ = test".jpg
<img src="test".jpg">

不起作用.

如何解码这样的unicode字符串:

什么%2527s%2bthe%2btime%252C%2bnow%253F

像这样的ascii:

什么+的+时间+现在