python - 需要 RE 来检测 UTF-8

Question

我有以下代码

inf = codecs.open(inPath , encoding='utf-8')
outf = codecs.open(outPath, encoding='utf-8', mode='w')
old = u'’;'
new = u'’&#59;'
for line in inf:
    line = line.replace(old,new)
    asc = line.encode('ascii', 'xmlcharrefreplace')    
    outf.write(asc)
    # print asc
inf.close()
outf.close()

这(正确地)使用数字格式将智能引号和重音字符等转换为其 html 实体格式。它将转换

<p>Dreams like: “Someday I’ll travel to…; someday I’ll write a book;

进入

<p>Dreams like: &#8220;Someday I&#8217;ll travel to&#8230;; someday I&#8217;ll write a book; 

这都是正确的。

然而，代码进一步下游，看到中间的 …;，删除双分号，然后提示它没有有效的实体。我无法更改此代码。

正如您从我的代码中看到的，我发现了一种实体后跟分号的情况。我不想替换源代码中的所有分号。

如何检测代码点 > 127 的 UTF-8 字符后面的分号，以便将其替换为 ;？谢谢。

Answer 1

脸掌!

如果我先转换为 htmlentites，然后将 ;; 替换为 ;E 就可以解决我的问题。

self 提醒 - 考虑你在哪里做事，以及做什么!