解码＆符号哈希字符串（&#124&#120&#97）等

Question

其他答案中的解决方案我试了都不行，我试了那些方法输出的都是同样的字符串。

我正在尝试使用 Python 2.7 进行网络抓取。我已经下载了网页，它有一些形式为 &#120 的字符，其中 120 似乎代表 ascii 代码。我尝试使用 HTMLParser() 和 decode() 方法，但似乎没有任何效果。 请注意，我从网页中获得的格式只是那些字符。 示例：

&#66&#108&#97&#115&#116&#101&#114&#106&#97&#120&#120&#32

请指导我使用 Python 解码这些字符串。我已经阅读了其他答案，但这些解决方案似乎对我不起作用。

Answer 1

字符引用的正确格式是 &#nnnn;，因此您的示例中缺少 ;。您可以添加 ; 然后使用 HTMLParser.unescape() :

from HTMLParser import HTMLParser
import re
x ='&#66&#108&#97&#115&#116&#101&#114&#106&#97&#120&#120&#32'
x = re.sub(r'(&#[0-9]*)', r';', x)
print x
h = HTMLParser()
print h.unescape(x)

这给出了这个输出：

Blasterjaxx 
Blasterjaxx 

Answer 2

根据您正在做的事情，您可能希望将该数据转换为有效的 HTML character references，以便您可以使用适当的 HTML 解析器在上下文中解析它。

但是，提取数字字符串并将它们自己转换为等效的 ASCII 字符非常容易。例如，

s ='&#66&#108&#97&#115&#116&#101&#114&#106&#97&#120&#120&#32'
print ''.join([chr(int(u)) for u in s.split('&#') if u])

输出

Blasterjaxx 

if u 跳过我们得到的初始空字符串，因为 s 以拆分字符串 '&#' 开头。或者，我们可以通过切片来跳过它：

''.join([chr(int(u)) for u in s.split('&#')[1:]])

Answer 3

在Python3、使用html模块：

>>> import html
>>> html.unescape('&#66&#108&#97&#115&#116&#101&#114&#106&#97&#120&#120&#32')
'Blasterjaxx '

文档：https://docs.python.org/3/library/html.html