将包含（html）emdash的字符串转换为统一的格式？

Question

一个em-dash可以写成两种形式

• 小数形式&8212
• 十六进制形式&x2014

当它们被翻译成html格式（在浏览器中显示）时，它们显示的是相同的this（-），一个em破折号。在

现在，当em破折号再次被翻译成python时，它将被更改为\u2014。在

我的问题是，给定一个字符串&；8212；或&；x2014；，有没有办法将它们都转换为\u2014？在

Answer 1

你需要的是一个html解析器

#!/bin/python
import HTMLParser
parser=HTMLParser.HTMLParser()
print(parser.unescape("—"))

结果

^{pr2}$

Answer 2

试试ftfy。这是一个用于修复unicode问题的python库。在

Answer 3

有人回答了我的问题，当我想把它标记为答案时，这个帖子似乎已经被删除了。多亏了原来的海报。在

答案是他已发布：-在

>>> import HTMLParser
>>> p = HTMLParser.HTMLParser()

>>> p.unescape(u'test8212 — aaa')
u'test8212 \u2014 aaa'

>>> p.unescape(u'test8212 — aaa')
u'test8212 \u2014 aaa'