在python中替换HTML代码

Question

我使用正则表达式来解析网站的源代码，并在Tkinter窗口中显示新闻标题。有人告诉我用regex解析HTML不是最好的主意，但不幸的是现在没有时间去改变。在

我似乎无法为诸如撇号（'）等特殊字符替换HTML代码。在

目前我有以下情况：

union_url = 'http://www.news.com.au/sport/rugby'

def union():
    union_string = urlopen(union_url).read()
    union_string.replace("’", "'")
    union_headline = re.findall('(?:sport/rugby/.*) >(.*)<', union_string)
    union_headline_label= Label(union_window, text = union_headline[0], font=('Times',20,'bold'),  bg = 'White', width = 85, height = 3, wraplength = 500)

这并不能消除HTML字符。例如，标题打印为

^{pr2}$

我试图找到一个答案，但没有任何运气。任何帮助都是非常感谢的。在

Answer 1

您可以使用的“可调用”功能re.sub公司（）清除（或删除）任何逃逸的东西：

>>> import re
>>> def htmlUnescape(m):
...     return unichr(int(m.group(1), 16))
...
>>> re.sub('&#([^;]+);', htmlUnescape, "This is something ’ with an HTML-escaped character in it.")
u'This is something \u8217 with an HTML-escaped character in it.'
>>>