Python:将 re.sub 用于编码为 &#number; 的 ascii 数字

Question

我有一段文字，里面有一些奇怪的字符。例如，可能会出现“éxâmplë”这个词。但它不是这样显示的，而是显示为‚xƒmpl‰。 .幸运的是，这些数字是 ASCII 编码的，所以我可以使用 chr()为了那个原因。所以，我想替换 &#<number>;通过 chr(number) .

我开始使用 re模块，但由于我没有那么丰富的经验，所以我不知道该怎么做。下面是我的尝试，当然，代码会尝试转换 int()在执行 re.sub() 之前将其部分化为 int部分，提高一个ValueError .我怎样才能正确地做到这一点？

sentence = "This is an ‚xƒmpl‰."
chrpatt = "&#([0-9]{3});"
sentence = re.sub(chrpatt, chr(int("\g<1>")), sentence)
print sentence

Answer 1

这里不需要使用正则表达式。

有一个名为 HTMlParser 的完整库。

示例:

>>> import HTMLParser
>>> h = HTMLParser.HTMLParser()
>>> h.unescape("This is an ‚xƒmpl‰.")
u'This is an \x82x\x83mpl\x89.'

以防万一之前不清楚:

>>> chr(130)
'\x82'
>>> chr(131)
'\x83'
>>> chr(137)
'\x89'

不要重新发明轮子。