将字符实体引用转换成 Unicode 字符

首先我们一起来看下 Character entities references （HTML Entities）和 Numeric Character Reference （NCR）的异同：

HTML Entities 的格式如：<，NCR 的格式如：< 或 <，均都表示“<” 字符。

HTML 中规定了 Character entity references，在 “24.2.1 The list of characters” 列出了 HTML Entities 和 NCR 的对应关系，例如：

<!ENTITY nbsp   CDATA "&#160;" -- no-break space = non-breaking space, U+00A0 ISOnum -->
<!ENTITY iexcl  CDATA "&#161;" -- inverted exclamation mark, U+00A1 ISOnum -->
<!ENTITY yen    CDATA "&#165;" -- yen sign = yuan sign, U+00A5 ISOnum -->

那在 Python 中我们如何将 HTML Entities 和 NCR 转换成普通字符呢？

在回答这个问题之前，我们做一些简单的回顾：

group 方法

group([group1,…])

group 属于 Match Object 对象拥有的方法，返回匹配到的一个或者多个子组。如果是一个参数，那么结果返回字符串，如果是多个参数，则返回元组。group1 的默认值为 0 （将返回所有的匹配值），如果 groupX 的值是 [1…99] 范围之内的，那么将匹配对应括号组的字符串。如果组号是负的或者比 pattern 中定义的组号大，那么将抛出 IndexError 异常。若 pattern 没有匹配到，但 group 匹配到，那么 group 的值也为 None。如果一个 pattern 可以匹配多个，那么组对应匹配的最后一个。

re.sub 方法

re.sub(pattern , replace , string [, count])

sub 属于 re 模块的字符串替换和修改函数，其在目标字符串中查找与正则相匹配的字符串，并将其替换成指定的字符串。

• pattern 参数——需要匹配的正则规则

• replace 参数——指定用来替换的字符串或函数。如果 replace 是函数，则会对所有的匹配都回调此函数，这个函数使用单个 Match Object 作为参数，然后返回替换后的字符串。

• string 参数——目标字符串

• count 参数——最多替换的次数，未指定，则将替换所有匹配到的字符串

re.sub() 的使用案例如下：

import re
def dashrepl(matchobj):
    if matchobj.group(0) == '-':
        return ' '
    else:
        return '-'
re.sub('-{1,2}', dashrepl, 'pro----gram-files')

# result: 'pro--gram files'

htmlentitydefs

htmlentitydefs 有三个属性，详细如下：

• entitydefs：A dictionary mapping XHTML 1.0 entity definitions to their replacement text in ISO Latin-1.

• name2codepoint：A dictionary that maps HTML entity names to the Unicode codepoints. New in version 2.3.

• codepoint2name：A dictionary that maps Unicode codepoints to HTML entity names.

实际存在的形式大致如下：

entitydefs = {'AElig': '\xc6', 'Aacute': '\xc1', 'Acirc': '\xc2', ...}
name2codepoint = {'AElig': 198, 'Aacute': 193, 'Acirc': 194, ...}
codepoint2name = {34: 'quot', 38: 'amp', 60: 'lt', 62: 'gt', ...}

对于我们来说，此时最有用的是 name2codepoint 属性，比如：“<”，name 是 lt，我们可以通过 name2codepoint[lt] 获得其 code point：60。

unichr 方法

unichr 是字符串的方法（unichr(int)），可以将整数转化成相应的 Unicode 字符，比如： unichr(60) –> u'\u003c' or u'<'

import re, htmlentitydefs

##
# Removes HTML or XML character references and entities from a text string.
#
# @param text The HTML (or XML) source text.
# @return The plain text, as a Unicode string, if necessary.

def unescape(text):
    def convert(matchobj):
        text = matchobj.group(0)
        if text[:2] == "&#":
            # Numeric Character Reference
            try:
                if text[:3] == "&#x":
                    return unichr(int(text[3:-1], 16))
                else:
                    return unichr(int(text[2:-1]))
            except ValueError:
                pass
        else:
            # Character entities references
            try:
                text = unichr(htmlentitydefs.name2codepoint[text[1:-1]])
            except KeyError:
                pass
        return text # Return Unicode characters
    return re.sub("&#?\w+;", convert, text)

扩展阅读：

• 《List_of_XML_and_HTML_character_entity_references》

• 《re.sub Patterns》