如何在 Python 中将扩展 ASCII 转换为 HTML 实体名称？

Question

我目前正在这样做，以将扩展 ascii 字符替换为 HTML 实体编号等效项：

s.encode('ascii', 'xmlcharrefreplace')

我想要做的是将其转换为 HTML 实体名称等效项（即 ©而不是©）。下面的这个小程序显示了我正在尝试做的事情失败了。除了查找/替换之外，还有其他方法可以做到这一点吗？

#coding=latin-1

def convertEntities(s):
    return s.encode('ascii', 'xmlcharrefreplace')

ok = 'ascii: !@#$%^&*()<>'
not_ok = u'extended-ascii: ©®°±¼'

ok_expected = ok
not_ok_expected = u'extended-ascii: &copy;&reg;&deg;&plusmn;&frac14;'

ok_2 = convertEntities(ok)
not_ok_2 = convertEntities(not_ok)

if ok_2 == ok_expected:
    print 'ascii worked'
else:
    print 'ascii failed: "%s"' % ok_2

if not_ok_2 == not_ok_expected:
    print 'extended-ascii worked'
else:
    print 'extended-ascii failed: "%s"' % not_ok_2

Answer 1

htmlentitydefs 是您想要的吗？

import htmlentitydefs
htmlentitydefs.codepoint2name.get(ord(c),c)

Answer 2

编辑

其他人提到了我从来不知道的htmlentitydefs。它将以这种方式与我的代码一起工作：

from htmlentitydefs import entitydefs as symbols

for tag, val in symbols.iteritems():
   mystr = mystr.replace("&{0};".format(tag), val)

这应该可以工作。

Answer 3

我不确定如何直接，但我认为 htmlentitydefs 模块会有用。可以在此处找到示例。

Answer 4

更新 这是我要使用的解决方案，通过一个小修复来检查entitydefs 是否包含我们所拥有的字符的映射。

def convertEntities(s):
    return ''.join([getEntity(c) for c in s])

def getEntity(c):
    ord_c = ord(c)
    if ord_c > 127 and ord_c in htmlentitydefs.codepoint2name:
        return "&%s;" % htmlentitydefs.codepoint2name[ord_c]
    return c

Answer 5

您确定不希望转换是可逆的吗？您的 ok_expected 字符串表明您不希望转义现有的 & 字符，因此转换将是一种方式。下面的代码假设 & 应该被转义，但如果您确实不想要的话，只需删除 cgi.escape 即可。

无论如何，我会将您的原始方法与正则表达式替换结合起来：像以前一样进行编码，然后修复数字实体。这样您就不会最终通过 getEntity 函数映射每个字符。

#coding=latin-1
import cgi
import re
import htmlentitydefs

def replace_entity(match):
    c = int(match.group(1))
    name = htmlentitydefs.codepoint2name.get(c, None)
    if name:
        return "&%s;" % name
    return match.group(0)

def convertEntities(s):
    s = cgi.escape(s) # Remove if you want ok_expected to pass!
    s = s.encode('ascii', 'xmlcharrefreplace')
    s = re.sub("&#([0-9]+);", replace_entity, s)
    return s

ok = 'ascii: !@#$%^&*()<>'
not_ok = u'extended-ascii: ©®°±¼'

ok_expected = ok
not_ok_expected = u'extended-ascii: ©®°±¼'

ok_2 = convertEntities(ok)
not_ok_2 = convertEntities(not_ok)

if ok_2 == ok_expected:
    print 'ascii worked'
else:
    print 'ascii failed: "%s"' % ok_2

if not_ok_2 == not_ok_expected:
    print 'extended-ascii worked'
else:
    print 'extended-ascii failed: "%s"' % not_ok_2