如何使用 Python/Django 执行 HTML 解码/编码？
- 2025-03-13 09:18:00
- admin 原创
- 79
问题描述：
我有一个 HTML 编码的字符串：
'''<img class="size-medium wp-image-113"\n style="margin-left: 15px;" title="su1"\n src="http://blah.org/wp-content/uploads/2008/10/su1-300x194.jpg"\n alt="" width="300" height="194" />'''
我想将其更改为：
<img class="size-medium wp-image-113" style="margin-left: 15px;"
title="su1" src="http://blah.org/wp-content/uploads/2008/10/su1-300x194.jpg"
alt="" width="300" height="194" />
我希望将其注册为 HTML，以便浏览器将其呈现为图像，而不是显示为文本。
字符串这样存储是因为我正在使用一个名为的网络抓取工具BeautifulSoup，它“扫描”网页并从中获取某些内容，然后以该格式返回字符串。
我找到了如何在C#中执行此操作的方法，但在Python中却找不到。有人能帮帮我吗？
有关的
在 Python 中将 XML/HTML 实体转换为 Unicode 字符串
解决方案 1：
使用标准库：
HTML 转义
try:
from html import escape # python 3.x
except ImportError:
from cgi import escape # python 2.x
print(escape("<"))
HTML 取消转义
try:
from html import unescape # python 3.4+
except ImportError:
try:
from html.parser import HTMLParser # python 3.x (<3.4)
except ImportError:
from HTMLParser import HTMLParser # python 2.x
unescape = HTMLParser().unescape
print(unescape(">"))
解决方案 2：
考虑到 Django 的使用情况，对此有两个答案。以下是其django.utils.html.escape功能，供参考：
def escape(html):
"""Returns the given HTML with ampersands, quotes and carets encoded."""
return mark_safe(force_unicode(html).replace('&', '&').replace('<', '&l
t;').replace('>', '>').replace('"', '"').replace("'", '''))
为了扭转这种情况，Jake 的答案中描述的 Cheetah 函数应该可以工作，但缺少单引号。此版本包含一个更新的元组，替换顺序被反转以避免对称问题：
def html_decode(s):
"""
Returns the ASCII decoded version of the given HTML string. This does
NOT remove normal HTML tags like <p>.
"""
htmlCodes = (
("'", '''),
('"', '"'),
('>', '>'),
('<', '<'),
('&', '&')
)
for code in htmlCodes:
s = s.replace(code[1], code[0])
return s
unescaped = html_decode(my_string)
然而，这不是一个通用的解决方案；它只适用于用 编码的字符串django.utils.html.escape。更一般地说，坚持使用标准库是一个好主意：
# Python 2.x:
import HTMLParser
html_parser = HTMLParser.HTMLParser()
unescaped = html_parser.unescape(my_string)
# Python 3.x:
import html.parser
html_parser = html.parser.HTMLParser()
unescaped = html_parser.unescape(my_string)
# >= Python 3.5:
from html import unescape
unescaped = unescape(my_string)
建议：将未转义的 HTML 存储在数据库中可能更有意义。如果可能的话，值得研究从 BeautifulSoup 获取未转义的结果，并完全避免此过程。
使用 Django，转义仅在模板渲染期间发生；因此，为了防止转义，您只需告诉模板引擎不要转义字符串即可。为此，请在模板中使用以下选项之一：
{{ context_var|safe }}
{% autoescape off %}
{{ context_var }}
{% endautoescape %}
解决方案 3：
对于 html 编码，标准库中有cgi.escape ：
>> help(cgi.escape)
cgi.escape = escape(s, quote=None)
Replace special characters "&", "<" and ">" to HTML-safe sequences.
If the optional flag quote is true, the quotation mark character (")
is also translated.
对于 html 解码，我使用以下命令：
import re
from htmlentitydefs import name2codepoint
# for some reason, python 2.5.2 doesn't have this one (apostrophe)
name2codepoint['#39'] = 39
def unescape(s):
"unescape HTML code refs; c.f. http://wiki.python.org/moin/EscapingHtml"
return re.sub('&(%s);' % '|'.join(name2codepoint),
lambda m: unichr(name2codepoint[m.group(1)]), s)
对于更复杂的事情，我使用BeautifulSoup。
解决方案 4：
如果编码字符集相对受限，请使用 daniel 的解决方案。否则，请使用众多 HTML 解析库之一。
我喜欢 BeautifulSoup，因为它可以处理格式错误的 XML/HTML：
http://www.crummy.com/software/BeautifulSoup/
对于你的问题，他们的文档中有一个例子
from BeautifulSoup import BeautifulStoneSoup
BeautifulStoneSoup("Sacré bleu!",
convertEntities=BeautifulStoneSoup.HTML_ENTITIES).contents[0]
# u'Sacrxe9 bleu!'
解决方案 5：
在 Python 3.4+ 中：
import html
html.unescape(your_string)
解决方案 6：
请参阅Python wiki此页面底部，至少有 2 个选项可以“取消转义”html。
解决方案 7：
如果有人正在寻找通过 django 模板执行此操作的简单方法，您可以随时使用如下过滤器：
<html>
{{ node.description|safe }}
</html>
我有一些来自供应商的数据，我发布的所有内容都有 HTML 标签，实际上写在呈现的页面上，就好像您正在查看源代码一样。
解决方案 8：
丹尼尔的评论作为回答：
“转义仅在 Django 模板渲染期间发生。因此，不需要取消转义 - 您只需告诉模板引擎不要转义。要么是 {{ context_var|safe }} 要么是 {% autoescape off %}{{ context_var }}{% endautoescape %}”
解决方案 9：
我发现了一个很好的功能：http://snippets.dzone.com/posts/show/4569
def decodeHtmlentities(string):
import re
entity_re = re.compile("&(#?)(d{1,5}|w{1,8});")
def substitute_entity(match):
from htmlentitydefs import name2codepoint as n2cp
ent = match.group(2)
if match.group(1) == "#":
return unichr(int(ent))
else:
cp = n2cp.get(ent)
if cp:
return unichr(cp)
else:
return match.group()
return entity_re.subn(substitute_entity, string)[0]
解决方案 10：
尽管这是一个非常古老的问题，但它可能会有效。
Django 1.5.5
In [1]: from django.utils.text import unescape_entities
In [2]: unescape_entities('<img class="size-medium wp-image-113" style="margin-left: 15px;" title="su1" src="http://blah.org/wp-content/uploads/2008/10/su1-300x194.jpg" alt="" width="300" height="194" />')
Out[2]: u'<img class="size-medium wp-image-113" style="margin-left: 15px;" title="su1" src="http://blah.org/wp-content/uploads/2008/10/su1-300x194.jpg" alt="" width="300" height="194" />'
解决方案 11：
我在 Cheetah 源代码中发现了这一点（此处）
htmlCodes = [
['&', '&'],
['<', '<'],
['>', '>'],
['"', '"'],
]
htmlCodesReversed = htmlCodes[:]
htmlCodesReversed.reverse()
def htmlDecode(s, codes=htmlCodesReversed):
""" Returns the ASCII decoded version of the given HTML string. This does
NOT remove normal HTML tags like <p>. It is the inverse of htmlEncode()."""
for code in codes:
s = s.replace(code[1], code[0])
return s
不确定他们为什么要反转列表，我认为这与他们的编码方式有关，所以对你来说可能不需要反转。另外，如果我是你，我会将 htmlCodes 更改为元组列表，而不是列表列表……不过这会在我的库中出现 :)
我注意到你的标题也要求编码，所以这里是 Cheetah 的编码功能。
def htmlEncode(s, codes=htmlCodes):
""" Returns the HTML encoded version of the given string. This is useful to
display a plain ASCII text string on a web page."""
for code in codes:
s = s.replace(code[0], code[1])
return s
解决方案 12：
您也可以使用 django.utils.html.escape
from django.utils.html import escape
something_nice = escape(request.POST['something_naughty'])
解决方案 13：
这是解决这个问题最简单的方法 -
{% autoescape on %}
{{ body }}
{% endautoescape %}
从此页面。
解决方案 14：
下面是一个使用模块的 Python 函数htmlentitydefs。它并不完美。我拥有的版本htmlentitydefs不完整，它假设所有实体都解码为一个代码点，这对于以下实体来说是错误的≂̸：
http://www.w3.org/TR/html5/named-character-references.html
NotEqualTilde; U+02242 U+00338 ≂̸
不过，除了这些警告之外，代码如下。
def decodeHtmlText(html):
"""
Given a string of HTML that would parse to a single text node,
return the text value of that node.
"""
# Fast path for common case.
if html.find("&") < 0: return html
return re.sub(
'&(?:#(?:x([0-9A-Fa-f]+)|([0-9]+))|([a-zA-Z0-9]+));',
_decode_html_entity,
html)
def _decode_html_entity(match):
"""
Regex replacer that expects hex digits in group 1, or
decimal digits in group 2, or a named entity in group 3.
"""
hex_digits = match.group(1) # ' ' -> unichr(10)
if hex_digits: return unichr(int(hex_digits, 16))
decimal_digits = match.group(2) # '' -> unichr(0x10)
if decimal_digits: return unichr(int(decimal_digits, 10))
name = match.group(3) # name is 'lt' when '<' was matched.
if name:
decoding = (htmlentitydefs.name2codepoint.get(name)
# Treat > like >.
# This is wrong for ≫ and ≪ which HTML5 adopted from MathML.
# If htmlentitydefs included mappings for those entities,
# then this code will magically work.
or htmlentitydefs.name2codepoint.get(name.lower()))
if decoding is not None: return unichr(decoding)
return match.group(0) # Treat "&noSuchEntity;" as "&noSuchEntity;"
解决方案 15：
在 Django 和 Python 中搜索该问题的最简单解决方案，我发现您可以使用其内置函数来转义/取消转义 html 代码。
例子
我将您的 html 代码保存scraped_html在clean_html：
scraped_html = (
'<img class="size-medium wp-image-113" '
'style="margin-left: 15px;" title="su1" '
'src="http://blah.org/wp-content/uploads/2008/10/su1-300x194.jpg" '
'alt="" width="300" height="194" />'
)
clean_html = (
'<img class="size-medium wp-image-113" style="margin-left: 15px;" '
'title="su1" src="http://blah.org/wp-content/uploads/2008/10/su1-300x194.jpg" '
'alt="" width="300" height="194" />'
)
Django
你需要 Django >= 1.0
取消转义
要取消转义您抓取的 html 代码，您可以使用django.utils.text.unescape_entities：
将所有命名和数字字符引用转换为相应的 Unicode 字符。
>>> from django.utils.text import unescape_entities
>>> clean_html == unescape_entities(scraped_html)
True
逃脱
要转义干净的 html 代码，可以使用django.utils.html.escape：
返回带有编码以供 HTML 使用的与号、引号和尖括号的给定文本。
>>> from django.utils.html import escape
>>> scraped_html == escape(clean_html)
True
Python
你需要 Python >= 3.4
取消转义
要取消转义您抓取的 html 代码，您可以使用html.unescape：
将字符串 s 中的所有命名和数字字符引用（例如
>、>、 ）转换为相应的 unicode 字符。&x3e;
>>> from html import unescape
>>> clean_html == unescape(scraped_html)
True
逃脱
要转义干净的 html 代码，您可以使用html.escape：
将字符串 s 中的字符
&、<和转换>为 HTML 安全序列。
>>> from html import escape
>>> scraped_html == escape(clean_html)
True
扫码咨询，免费领取项目管理大礼包！
