J'ai un fichier xml, que j'ai besoin de convertir en utf8. Malheureusement, les entités contiennent du texte comme celui-ci:Python convertir html texte encodé ascii en utf8
/mytext,
J'utilise la bibliothèque codec pour convertir les fichiers en UTF8, mais des entités html ne fonctionneront pas avec elle.
Existe-t-il un moyen facile de se débarrasser de l'encodage html?
Merci
Vous pouvez passer le texte du fichier par une fonction unescape avant de passer à l'analyseur XML.
Sinon, si vous ne l'analyse syntaxique HTML, lxml's http parser fait pour vous:
>>> import lxml.html
>>> html = lxml.html.fromstring("<html><body><p>/mytext,</p></body></html>")
>>> lxml.html.tostring(html)
'<html><body><p>/mytext,</p></body></html>'
récemment en réponse ci-dessous le à une question similaire:
import HTMLParser # html.parser in Python 3
h = HTMLParser.HTMLParser()
h.unescape('/mytext,')
Techniquement, cette méthode est " interne "et non documenté, mais il a été dans l'API pendant un certain temps et n'est pas marqué par un trait de soulignement.
J'ai trouvé here; D'autres approches sont également mentionnées, dont BeautifulSoup est probablement le meilleur si vous ne vous occupez pas de sa "lourdeur".
http://stackoverflow.com/questions/37486/filter-out-html-tags-and-resolve-entities-in-python – kechapito
Pouvez-vous simplement passer le fichier brut en premier? – jterrace