Как выполнить декодирование/кодирование HTML с помощью Python / Django?

у меня есть строка, закодированная в 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 он отображался как изображение браузером, а не отображался как текст.

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

спасибо.

Edit: кто-то спросил, почему мои строки хранятся так. Это потому, что я использую инструмент веб-выскабливания, который "сканирует" веб-страницу и получает от нее определенный контент. Инструмент (BeautifulSoup) возвращает строку в этом формате.

по теме

111
django html-encode python

15 ответов

учитывая случай использования Django, есть два ответа на это. Вот ее django.utils.html.escape функции 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 отменить это, функция гепарда, описанная в ответе Джейка, должна работать, но отсутствует одинарная цитата. Эта версия включает в себя обновленный кортеж, с порядком замены отменен, 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; это подходит только для строк, закодированных с django.utils.html.escape. Больше как правило, рекомендуется 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)

как предложение: возможно, имеет смысл сохранить HTML без эскапады в вашей базе данных. Было бы стоит посмотреть на получение неотвратимых результатов от BeautifulSoup, если это возможно, и вообще избежать этого процесса.

С Django, экранирование происходит только во время рендеринга шаблона; поэтому, чтобы предотвратить экранирование, вы просто скажите шаблонному движку не избегать вашей строки. Для этого используйте один из эти параметры в вашем шаблоне:

{{ context_var|safe }}
{% autoescape off %}
    {{ context_var }}
{% endautoescape %}
104

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;"))
103

для кодирования html есть cgi.побег 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

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

Мне нравится BeautifulSoup, потому что он может обрабатывать искаженный XML/HTML :

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

для вашего вопроса есть пример в их документация 

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

смотрите в нижней части этого страница в Python wiki, есть по крайней мере 2 варианта "unescape" html.

8

В Python 3.4+:

import html

html.unescape(your_string)
8

комментарий Даниэля в качестве ответа:

"экранирование происходит только в Django во время рендеринга шаблона. Поэтому нет необходимости в unescape - вы просто говорите шаблонному движку не убегать. либо {{ context_var / safe }}, либо {% autoescape off %}{{ context_var }}{% endautoescape %}"

6

Я нашел прекрасную функцию в: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

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 написал было HTML-теги на самом деле написано на странице, как если бы вы смотрели на источник. Приведенный выше код очень помог мне. Надеюсь, это поможет другим.

Ура!!

3

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

Я нашел это в исходном коде гепарда (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 отменяют список, Я думаю, это связано с тем, как они кодируют, поэтому с вами это может не понадобиться. 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, поэтому вот функция кодирования гепарда.

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

вы также можете использовать django.а utils.формат html.побег

from django.utils.html import escape

something_nice = escape(request.POST['something_naughty'])
1

Ниже приведена функция python, которая использует module htmlentitydefs. Это не идеально. Версия htmlentitydefs то, что у меня есть, является неполным, и предполагается, что все сущности декодируются в одну кодовую точку, которая неверна для таких сущностей, как &NotEqualTilde;:

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

NotEqualTilde;     U+02242 U+00338    ≂̸

С этими оговорками, хотя, 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

Это самое простое решение этой проблемы - 

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

С на этой странице.

0

Поиск простейшего решения этого вопроса в Django и Python я нашел, что вы можете использовать встроенные функции для escape / unescape html-кода.

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

для unescape ваш выскобленный html код вы можете использовать Джанго.а utils.текст.unescape_entities который:

преобразуйте все именованные и числовые символьные ссылки в соответствующие символы юникода.

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

побег

чтобы избежать чистого html-кода, Вы можете использовать Джанго.а utils.формат html.побег которых:

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

Python

вам нужно Python >= 3.4

unescape

для unescape ваш выскобленный html код вы можете использовать HTML-код.unescape которых:

преобразовать все именованные и числовые ссылки символов (например,&gt;, &#62;, &x3e;) в строке s к соответствующим символам Юникода.

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

побег

чтобы избежать чистого html-кода, Вы можете использовать HTML-код.побег которых:

преобразовать символы &, < и > в строке s в HTML-безопасные последовательности.

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