如何转变&#xxx；字符的正常表示形式？

Question

我得到了我想转换回原始的未加密的&#xxx;字符

让我们执行一个简单的XSL转换，它对俄语字符不做任何操作（输出=输入）：

input.xml是：

<root>Здраве</root>

transform.xsl是：

<xsl:stylesheet xmlns:xsl="http://www.w3.org/1999/XSL/Transform" version="1.0">
  <xsl:output method="xml" indent="yes"/>
  <xsl:template match="node()|@*">
    <xsl:copy>
      <xsl:apply-templates select="node()|@*"/>
    </xsl:copy>
  </xsl:template>
</xsl:stylesheet>

以下是我的python代码：

import lxml.etree as ET

dom = ET.parse("input.xml")
xslt = ET.parse("transform.xsl")
transform = ET.XSLT(xslt)
newdom = transform(dom)

print(ET.tostring(newdom, pretty_print=True))

输出为：

b'<root>&#1047;&#1076;&#1088;&#1072;&#1074;&#1077;</root>\n'

演示：https://repl.it/join/lktibwya-vincentandrieu

我的问题是我需要将其保存到一个文件中，该文件的内容为Здраве，而不是Здраве

如何将特殊字符转换为其正常表示

Answer 1

基本上,#1088这里1088是Unicode代码点。在python中，可以通过chr(integer value of Unicode code point)将Unicode代码点转换为实际表示形式

前面的b'<root...表示它是binary。所以我们需要使用.decode()将其转换为string

最后，我们可以使用regular expression通过- &#(\d{4});
&#：将匹配以&#
()：捕获组
\d{4}：选择长度为4的数字
;：以;
结尾

import re

a = b'<root>&#1047;&#1076;&#1088;&#1072;&#1074;&#1077;</root>\n'
''.join([chr(int(i)) for i in re.findall(r'&#(\d{4});', a.decode())])

Здраве

Answer 2

您可以使用html模块：

html.unescape('<root>&#1047;&#1076;&#1088;&#1072;&#1074;&#1077;</root>\n')

'<root>Здраве</root>\n'

如果您正在接收字节，则需要首先将它们转换为字符串：

b = b'<root>&#1047;&#1076;&#1088;&#1072;&#1074;&#1077;</root>\n'

html.unescape(b.decode('utf-8'))

'<root>Здраве</root>\n'

您也可以尝试在对ET.tostring的调用中使用encoding='unicode'。它应该直接返回Python字符串，因为Python在内部对字符串使用unicode：

 print(ET.tostring(newdom, encoding='unicode', pretty_print=True))