在 Python 2.7.3 / Raspberry Pi 中使用特殊字符取消转义 HTML

我被困在这里试图取消转义 HTML 特殊字符。

有问题的文本是

Rudimental & Emeli Sandé

应该转换为Rudimental 和 Emeli Sandé

文本通过 WGET 下载（在 python 之外）

要对此进行测试，请使用此行保存 ANSI 文件并将其导入。

import HTMLParser

trackentry = open('import.txt', 'r').readlines()
print(trackentry)
track = trackentry[0]
html_parser = HTMLParser.HTMLParser()

track = html_parser.unescape(track)

print(track)

当一行有时我收到此错误é in it.

*pi@raspberrypi ~/scripting $ python unparse.py
['Rudimental & Emeli Sand\xe9\n']
Traceback (most recent call last):
  File "unparse.py", line 9, in <module>
    track = html_parser.unescape(track)
  File "/usr/lib/python2.7/HTMLParser.py", line 472, in unescape
    return re.sub(r"&(#?[xX]?(?:[0-9a-fA-F]+|\w{1,8}));", replaceEntities, s)
  File "/usr/lib/python2.7/re.py", line 151, in sub
    return _compile(pattern, flags).sub(repl, string, count)
UnicodeDecodeError: 'ascii' codec can't decode byte 0xe9 in position 11: ordinal not in range(128)*

相同的代码在 Windows 下工作正常 - 我只在树莓派上遇到问题 运行Python 2.7.3。

Python 无法解码 'é' ('\xe9') 使用 ASCII 编解码器，因为该字符不是 7 位 ASCII。

您的问题（精简）：

import HTMLParser
parser = HTMLParser.HTMLParser()
input = 'Rudimental & Emeli Sand\xe9'
output = parser.unescape(input)

produces

Traceback (most recent call last):
  File "problem.py", line 4, in <module>
    output = parser.unescape(input)
  File "/usr/lib/python2.7/HTMLParser.py", line 475, in unescape
    return re.sub(r"&(#?[xX]?(?:[0-9a-fA-F]+|\w{1,8}));", replaceEntities, s)
  File "/usr/lib/python2.7/re.py", line 151, in sub
    return _compile(pattern, flags).sub(repl, string, count)
UnicodeDecodeError: 'ascii' codec can't decode byte 0xe9 in position 11: ordinal not in range(128)

HTMLParser.unescape()返回一个unicode对象，因此必须转换您的输入str。所以它要求默认编码（在你的情况下是 ASCII）并且无法解释 '\xe9' 作为 ASCII 字符（因为它不是）。我猜你的文件编码是 ISO-8859-1 其中 '\xe9' is 'é'.

有两个简单的解决方案。您可以手动进行转换：

import HTMLParser
parser = HTMLParser.HTMLParser()
input = 'Rudimental & Emeli Sand\xe9'
input = input.decode('iso-8859-1')
output = parser.unescape(input)

或者你使用编解码器.open()代替open()每当您处理文件时：

import codecs
import HTMLParser
parser = HTMLParser.HTMLParser()
input = codecs.open("import.txt", encoding="iso-8859-1").readline()
output = parser.unescape(input)