2.2.8　處理HTML和XML文本

在處理Web相關業務，特別是處理網頁文本時，經常需要將HTML或者XML實體如&entity或&#code替換為對應的文本，或需要轉換文本中特定的字符（比如<、>或&）。

如果想替換文本字符串中的“<”或者“>”，可使用html.escape()函數實現，示例如下：

---

test_str = 'Elements are written as "<tag>text</tag>".'
import html
print(test_str)

print(html.escape(test_str))
print(html.escape(test_str, quote=False))

---

如果正在處理的是ASCII文本，并且想將非ASCII文本對應的編碼實體嵌入ASCII文本，可以給某些I/O函數傳遞參數errors='xmlcharrefreplace'來達到目的，示例如下：

---

test_str = 'Spicy Jalape?o'
print(test_str.encode('ascii', errors='xmlcharrefreplace'))

---

為了替換文本中的編碼實體，需要使用另外一種方法。如果正在處理的是HTML或者XML文本，試著先使用一個合適的HTML或者XML解析器。通常情況下，這些工具會自動替換這些編碼值。

如果接收到一些含有編碼值的原始文本，需要手動去做替換，通常只需要使用HTML或者XML解析器的一些相關工具函數/方法，示例如下：

---

test_str = 'Spicy "Jalapeño&quot.'
print(html.unescape(test_str))

text = 'The prompt is >>>'
from xml.sax.saxutils import unescape
unescape(text)

---

在生成HTML或者XML文本的時候，如何正確地轉換特殊標記字符是一個容易被忽視的細節，特別是當使用print()函數或者其他字符串格式化方法來產生輸出的時候。此時，使用html.escape()函數可以很容易地解決這類問題。

若想以其他方式處理文本，還可以使用其他工具函數，比如xml.sax.saxutils.unescapge()，不過應該先調研清楚怎樣使用一個合適的解析器再做選擇。比如，在處理HTML或XML文本時，使用某個解析模塊比如html.parse或xml.etree.ElementTree可以幫助自動處理一些相關的替換細節。