1

我正在抓取一个 html 页面，然后使用 xml.dom.minidom.parseString() 创建一个 dom 对象。

但是，html 页面有一个“&”。我可以使用 cgi.escape 将其转换为&amp;，但它也会将我所有的 html <> 标签转换为&lt;&gt;这使得 parseString() 不开心。

我该怎么做？我宁愿不只是破解它并直接替换“&”

谢谢

4

4 回答 4

1

我宁愿不只是破解它并直接替换“&”

呃，为什么？这就是cgi.escape正在做的事情 - 实际上只是对必须转义的某些字符的搜索和替换操作。

如果只想替换单个字符，只需替换单个字符：

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

不要拐弯抹角。

于 2010-08-04T06:43:50.627 回答
1

对于抓取，请尝试使用可以处理此类 html“标签汤”的库，例如 lxml，它具有html 解析器（以及lxml.html中的专用 html 包）或BeautifulSoup（您也会发现这些库除了能够处理格式错误的文档之外，还包含其他使抓取/使用 html 更容易的东西：从表单中获取信息，使超链接成为绝对，使用 css 选择器......）

于 2010-08-04T09:00:26.293 回答
0

您不应该使用 XML 解析器来解析不是 XML 的数据。找一个 HTML 解析器，从长远来看，你会更快乐。标准库有几个（HTMLParser 和 htmllib），BeautifulSoup 是一个深受喜爱的第三方包。

于 2010-08-04T12:37:07.007 回答
0

如果你想确保你不会意外地重新转义一个已经转义的&（即不转换&amp;成&amp;amp;或&szlig;成&amp;szlig;），你可以

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

&当它们后面跟着一个字母时，这将使s 不受影响。

于 2010-08-04T06:53:29.443 回答