необходимо выборочно экранировать html-сущности (&)

Question

Я снимаю html-страницу, затем использую xml.dom.minidom.parseString () для создания объекта dom.

однако на html-странице есть '&'.Я могу использовать cgi.escape, чтобы преобразовать это в &, но он также преобразует все мои HTML-теги <> в <>, что делает parseString () несчастным.

как мне это сделать?я бы предпочел не просто взломать его, а прямо заменить "&" s

спасибо

Answer 1

Для очистки попробуйте использовать библиотеку, которая может обрабатывать такие html «теговые супы», как lxml, который имеет html parser (а также выделенный html-пакет в lxml.html. ) или BeautifulSoup (вы также обнаружите, что в этих библиотеках есть и другие вещи, которые упрощают очистку / работу с html, помимо возможности обрабатывать некорректно оформленные документы: получение информации из форм , делая гиперссылки абсолютными, используя селекторы css ...)

Answer 2

Я бы предпочел не просто взломать его, а прямо заменить "&" s

Э-э, почему?Это то, что делает cgi.escape - фактически просто операция поиска и замены для определенных символов, которые должны быть экранированы.

Если вы хотите заменить только один символ, просто замените один символ:

yourstring.replace('&', '&')

Не бейте вокруг куста.

Answer 3

Вы не должны использовать анализатор XML для анализа данных, которые не являются XML. Вместо этого найдите анализатор HTML, и в конечном итоге вы будете счастливее. В стандартной библиотеке их несколько (HTMLParser и htmllib), а BeautifulSoup - это популярный сторонний пакет.

Answer 4

Если вы хотите убедиться, что вы случайно не восстановили уже сбежавший & (т.е. не преобразовали & в & или ß в ß), вы можете

import re
newstring = re.sub(r"&(?![A-Za-z])", "&", oldstring)

Это оставит & s, когда за ними следует буква.