it-roy-ru.com

Как мне выполнить декодирование/кодирование HTML с использованием Python/Django?

У меня есть строка в кодировке HTML: 

<img class="size-medium wp-image-113" 
  style="margin-left: 15px;" title="su1" 
  src="http://blah.org/wp-content/uploads/2008/10/su1-300x194.jpg" 
  alt="" width="300" height="194" />

Я хочу изменить это на:

<img class="size-medium wp-image-113" style="margin-left: 15px;" 
  title="su1" src="http://blah.org/wp-content/uploads/2008/10/su1-300x194.jpg" 
  alt="" width="300" height="194" /> 

Я хочу, чтобы это регистрировалось как HTML, чтобы оно отображалось браузером как изображение, а не как текст. 

Я нашел, как это сделать в C #, но не в Python. Кто-нибудь может мне помочь?

Благодарю.

Правка: Кто-то спросил, почему мои строки хранятся так. Это потому, что я использую инструмент для просмотра веб-страниц, который «сканирует» веб-страницу и получает от нее определенный контент. Инструмент (BeautifulSoup) возвращает строку в этом формате.

Связанные с

113
rksprst

Учитывая вариант использования Django, есть два ответа на это. Вот его функция Django.utils.html.escape, для справки:

def escape(html):
    """Returns the given HTML with ampersands, quotes and carets encoded."""
    return mark_safe(force_unicode(html).replace('&', '&amp;').replace('<', '&l
t;').replace('>', '&gt;').replace('"', '&quot;').replace("'", '&#39;'))

Чтобы изменить это, функция Cheetah, описанная в ответе Джейка, должна работать, но в ней отсутствует одинарная кавычка. Эта версия включает в себя обновленный кортеж, с порядком замены, обратным, чтобы избежать симметричных проблем:

def html_decode(s):
    """
    Returns the ASCII decoded version of the given HTML string. This does
    NOT remove normal HTML tags like <p>.
    """
    htmlCodes = (
            ("'", '&#39;'),
            ('"', '&quot;'),
            ('>', '&gt;'),
            ('<', '&lt;'),
            ('&', '&amp;')
        )
    for code in htmlCodes:
        s = s.replace(code[1], code[0])
    return s

unescaped = html_decode(my_string)

Это, однако, не является общим решением; он подходит только для строк, закодированных с помощью Django.utils.html.escape. В целом, лучше придерживаться стандартной библиотеки:

# Python 2.x:
import HTMLParser
html_parser = HTMLParser.HTMLParser()
unescaped = html_parser.unescape(my_string)

# Python 3.x:
import html.parser
html_parser = html.parser.HTMLParser()
unescaped = html_parser.unescape(my_string)

# >= Python 3.5:
from html import unescape
unescaped = unescape(my_string)

В качестве предложения: может иметь больше смысла хранить неэкранированный HTML-код в вашей базе данных. Было бы целесообразно по возможности вернуть неэкранированные результаты из BeautifulSoup и вообще избежать этого процесса.

В Django экранирование происходит только во время рендеринга шаблона; поэтому, чтобы избежать побега, просто скажите шаблонизатору, чтобы он не убегал от вашей строки. Чтобы сделать это, используйте один из этих параметров в вашем шаблоне:

{{ context_var|safe }}
{% autoescape off %}
    {{ context_var }}
{% endautoescape %}
105
Daniel Naab

Со стандартной библиотекой:

  • HTML Escape

    try:
        from html import escape  # python 3.x
    except ImportError:
        from cgi import escape  # python 2.x
    
    print(escape("<"))
    
  • HTML Unescape

    try:
        from html import unescape  # python 3.4+
    except ImportError:
        try:
            from html.parser import HTMLParser  # python 3.x (<3.4)
        except ImportError:
            from HTMLParser import HTMLParser  # python 2.x
        unescape = HTMLParser().unescape
    
    print(unescape("&gt;"))
    
106
Jiangge Zhang

Для html-кодирования есть cgi.escape из стандартной библиотеки:

>> help(cgi.escape)
cgi.escape = escape(s, quote=None)
    Replace special characters "&", "<" and ">" to HTML-safe sequences.
    If the optional flag quote is true, the quotation mark character (")
    is also translated.

Для декодирования HTML, я использую следующее:

import re
from htmlentitydefs import name2codepoint
# for some reason, python 2.5.2 doesn't have this one (apostrophe)
name2codepoint['#39'] = 39

def unescape(s):
    "unescape HTML code refs; c.f. http://wiki.python.org/moin/EscapingHtml"
    return re.sub('&(%s);' % '|'.join(name2codepoint),
              lambda m: unichr(name2codepoint[m.group(1)]), s)

Для чего-то более сложного я использую BeautifulSoup.

80
user26294

Используйте решение Даниэля, если набор закодированных символов относительно ограничен ... В противном случае используйте одну из многочисленных библиотек HTML-парсинга.

Мне нравится BeautifulSoup, потому что он может работать с искаженным XML/HTML:

http://www.crummy.com/software/BeautifulSoup/

на ваш вопрос, есть пример в их документации

from BeautifulSoup import BeautifulStoneSoup
BeautifulStoneSoup("Sacr&eacute; bl&#101;u!", 
                   convertEntities=BeautifulStoneSoup.HTML_ENTITIES).contents[0]
# u'Sacr\xe9 bleu!'
20
vincent

В Python 3.4+:

import html

html.unescape(your_string)
8
Collin Anderson

Смотрите в нижней части этой страницы в Python wiki , есть как минимум 2 варианта "unescape" html.

8
zgoda

Комментарий Даниила как ответ:

«Экранирование происходит только в Django во время рендеринга шаблона. Поэтому нет необходимости в unescape - вы просто указываете шаблонизатору не выходить из экранирования. {{context_var | safe}} или {% autoescape off%} {{context_var}} { % endautoescape%} "

6
dfrankow

Я нашел прекрасную функцию по адресу: http://snippets.dzone.com/posts/show/4569

def decodeHtmlentities(string):
    import re
    entity_re = re.compile("&(#?)(\d{1,5}|\w{1,8});")

    def substitute_entity(match):
        from htmlentitydefs import name2codepoint as n2cp
        ent = match.group(2)
        if match.group(1) == "#":
            return unichr(int(ent))
        else:
            cp = n2cp.get(ent)

            if cp:
                return unichr(cp)
            else:
                return match.group()

    return entity_re.subn(substitute_entity, string)[0]
5
slowkvant

Хотя это действительно старый вопрос, это может сработать.

Джанго 1.5.5

In [1]: from Django.utils.text import unescape_entities
In [2]: unescape_entities('&lt;img class=&quot;size-medium wp-image-113&quot; style=&quot;margin-left: 15px;&quot; title=&quot;su1&quot; src=&quot;http://blah.org/wp-content/uploads/2008/10/su1-300x194.jpg&quot; alt=&quot;&quot; width=&quot;300&quot; height=&quot;194&quot; /&gt;')
Out[2]: u'<img class="size-medium wp-image-113" style="margin-left: 15px;" title="su1" src="http://blah.org/wp-content/uploads/2008/10/su1-300x194.jpg" alt="" width="300" height="194" />'
3
James

Если кто-то ищет простой способ сделать это с помощью шаблонов Django, вы всегда можете использовать такие фильтры:

<html>
{{ node.description|safe }}
</html>

У меня были некоторые данные, поступающие от поставщика, и все, что я опубликовал, содержало HTML-теги, фактически написанные на визуализированной странице, как если бы вы смотрели на источник. Приведенный выше код очень помог мне. Надеюсь, это поможет другим.

Ура !!

3
Chris Harty

Вы также можете использовать Django.utils.html.escape

from Django.utils.html import escape

something_Nice = escape(request.POST['something_naughty'])
1
Seth Gottlieb

Я нашел это в исходном коде Cheetah ( здесь )

htmlCodes = [
    ['&', '&amp;'],
    ['<', '&lt;'],
    ['>', '&gt;'],
    ['"', '&quot;'],
]
htmlCodesReversed = htmlCodes[:]
htmlCodesReversed.reverse()
def htmlDecode(s, codes=htmlCodesReversed):
    """ Returns the ASCII decoded version of the given HTML string. This does
        NOT remove normal HTML tags like <p>. It is the inverse of htmlEncode()."""
    for code in codes:
        s = s.replace(code[1], code[0])
    return s

не уверен, почему они переворачивают список, Я думаю, что это связано с тем, как они кодируют, так что вам, возможно, не нужно обращать вспять .. Кроме того, на вашем месте я бы изменил htmlCodes на список кортежей, а не список списков ... это происходит в моей библиотеке, хотя :)

я заметил, что ваш заголовок тоже попросил кодировать, так что вот функция кодирования Cheetah.

def htmlEncode(s, codes=htmlCodes):
    """ Returns the HTML encoded version of the given string. This is useful to
        display a plain ASCII text string on a web page."""
    for code in codes:
        s = s.replace(code[0], code[1])
    return s
1
Jake

Ища простейшее решение этого вопроса в Django и Python, я обнаружил, что вы можете использовать встроенные их функции для экранирования/отмены кода html.

Пример

Я сохранил ваш HTML-код в scraped_html и clean_html:

scraped_html = (
    '&lt;img class=&quot;size-medium wp-image-113&quot; '
    'style=&quot;margin-left: 15px;&quot; title=&quot;su1&quot; '
    'src=&quot;http://blah.org/wp-content/uploads/2008/10/su1-300x194.jpg&quot; '
    'alt=&quot;&quot; width=&quot;300&quot; height=&quot;194&quot; /&gt;'
)
clean_html = (
    '<img class="size-medium wp-image-113" style="margin-left: 15px;" '
    'title="su1" src="http://blah.org/wp-content/uploads/2008/10/su1-300x194.jpg" '
    'alt="" width="300" height="194" />'
)

Джанго

Вам нужен Django> = 1.0

unescape

Чтобы удалить свой очищенный HTML-код, вы можете использовать Django.utils.text.unescape_entities , который:

Преобразуйте все именованные и числовые ссылки на символы в соответствующие символы Юникода.

>>> from Django.utils.text import unescape_entities
>>> clean_html == unescape_entities(scraped_html)
True

escape

Чтобы избежать вашего чистого HTML-кода, вы можете использовать Django.utils.html.escape который:

Возвращает данный текст с амперсандами, кавычками и угловыми скобками, закодированными для использования в HTML.

>>> from Django.utils.html import escape
>>> scraped_html == escape(clean_html)
True

Питон

Вам нужен Python> = 3.4

unescape

Чтобы удалить свой очищенный HTML-код, вы можете использовать html.unescape , который:

Преобразуйте все именованные и числовые ссылки на символы (например, &gt;, &#62;, &x3e;) в строке s в соответствующие символы Unicode.

>>> from html import unescape
>>> clean_html == unescape(scraped_html)
True

escape

Чтобы избежать вашего чистого HTML-кода, вы можете использовать html.escape , который:

Преобразуйте символы &, < и > в строке s в безопасные для HTML последовательности.

>>> from html import escape
>>> scraped_html == escape(clean_html)
True
0
Paolo Melchiorre

Ниже приведена функция Python, которая использует модуль htmlentitydefs. Это не идеально. Версия htmlentitydefs, которая у меня есть, является неполной, и она предполагает, что все объекты декодируются в одну кодовую точку, что неправильно для таких объектов, как &NotEqualTilde;:

http://www.w3.org/TR/html5/named-character-references.html

NotEqualTilde;     U+02242 U+00338    ≂̸

С этими предостережениями, вот код.

def decodeHtmlText(html):
    """
    Given a string of HTML that would parse to a single text node,
    return the text value of that node.
    """
    # Fast path for common case.
    if html.find("&") < 0: return html
    return re.sub(
        '&(?:#(?:x([0-9A-Fa-f]+)|([0-9]+))|([a-zA-Z0-9]+));',
        _decode_html_entity,
        html)

def _decode_html_entity(match):
    """
    Regex replacer that expects hex digits in group 1, or
    decimal digits in group 2, or a named entity in group 3.
    """
    hex_digits = match.group(1)  # '&#10;' -> unichr(10)
    if hex_digits: return unichr(int(hex_digits, 16))
    decimal_digits = match.group(2)  # '&#x10;' -> unichr(0x10)
    if decimal_digits: return unichr(int(decimal_digits, 10))
    name = match.group(3)  # name is 'lt' when '&lt;' was matched.
    if name:
        decoding = (htmlentitydefs.name2codepoint.get(name)
            # Treat &GT; like &gt;.
            # This is wrong for &Gt; and &Lt; which HTML5 adopted from MathML.
            # If htmlentitydefs included mappings for those entities,
            # then this code will magically work.
            or htmlentitydefs.name2codepoint.get(name.lower()))
        if decoding is not None: return unichr(decoding)
    return match.group(0)  # Treat "&noSuchEntity;" as "&noSuchEntity;"
0
Mike Samuel

Это самое простое решение этой проблемы - 

{% autoescape on %}
   {{ body }}
{% endautoescape %}

С эта страница .

0
smilitude