写爬虫是一个发送请求，提取数据，清洗数据，存储数据的过程。在这个过程中，不同的数据源返回的数据格式各不相同，有 JSON 格式，有 XML 文档，不过大部分还是 HTML 文档，HTML 经常会混杂有转移字符，这些字符我们需要把它转义成真正的字符。
什么是转义字符
在 HTML 中 <、>、& 等字符有特殊含义（<，> 用于标签中，& 用于转义），他们不能在 HTML 代码中直接使用，如果要在网页中显示这些符号，就需要使用 HTML 的转义字符串（Escape Sequence），例如 < 的转义字符是 <，浏览器渲染 HTML 页面时，会自动把转移字符串换成真实字符。
转义字符（Escape Sequence）由三部分组成：第一部分是一个 & 符号，第二部分是实体（Entity）名字，第三部分是一个分号。 比如，要显示小于号（<），就可以写< 。
| 显示字符 | 说明 | 转义字符 |
|---|---|---|
| < | 小于 | < |
| 空格 | ||
| < | 小于 | < |
| > | 大于 | > |
| & | &符号 | & |
| " | 双引号 | " |
| © | 版权 | © |
| ® | 已注册商标 | ® |
Python 反转义字符串
用 Python 来处理转义字符串有多种方式，而且 py2 和 py3 中处理方式不一样，在 python2 中，反转义串的模块是 HTMLParser。
|
1
2
3
4
|
# python2import HTMLParser>>> HTMLParser().unescape('a=1&b=2')'a=1&b=2' |
Python3 HTMLParser 模块迁移到了 html.parser
|
1
2
3
4
|
# python3>>> from html.parser import HTMLParser>>> HTMLParser().unescape('a=1&b=2')'a=1&b=2' |
到 python3.4 以后的版本，在 html 模块新增了 unescape 方法。
|
1
2
3
4
|
# python3.4>>> import html>>> html.unescape('a=1&b=2')'a=1&b=2' |
推荐最后一种写法，因为 HTMLParser.unescape 方法在 Python3.4 就已经被废弃掉不推荐使用了，意味着之后的版本会被彻底移除。
另外，sax 模块也有支持反转义的函数
|
1
2
3
|
>>> from xml.sax.saxutils import unescape>>> unescape('a=1&b=2')'a=1&b=2' |
当然，你完全可以实现自己的反转义功能，也不复杂，当然，我们崇尚不重复造轮子。
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持服务器之家。
原文链接：https://foofish.net/pycon-html-escape.html
