Python:unescape不分割数据的特殊字符

我制作了一个简单的HTML解析器，它基本上是文档的直接副本。在不将数据分割成多个数据块的情况下，我很难避开特殊字符

下面是我的代码和一个简单的示例：

from HTMLParser import HTMLParser

class MyHTMLParser(HTMLParser):
    def __init__(self):
        HTMLParser.__init__(self)
        self.data = []

    def handle_starttag(self, tag, attrs):
        #print (tag,attrs)
        pass

    def handle_endtag(self, tag):
        #print (tag)
        pass

    def handle_data(self, data):
        self.data.append(data)

    def handle_charref(self, ref):
        self.handle_entityref("#" + ref)

    def handle_entityref(self, ref):
        self.handle_data(self.unescape("&%s;" % ref))



n = "<strong>I &lt;3s U &amp; you luvz me</strong>"


parser = MyHTMLParser()
parser.feed(n)
parser.close()
data = parser.data
print(data)

从HTMLParser导入HTMLParser
类MyHtmlPasser（HtmlPasser）：
定义初始化（自）：
HTMLPasser.\uuuuu初始化\uuuuuuuuu（自）
self.data=[]
def句柄\u开始标记（自身、标记、属性）：
#打印（标签、属性）
通过
def handle_endtag（self，tag）：
#打印（标签）
通过
def句柄_数据（自身、数据）：
self.data.append（数据）
def handle_charref（自身，ref）：
self.handle_entityref（“#”+ref）
def handle_entityref（self，ref）：
self.handle_数据（self.unescape（&%s；%ref））
n=“i3su&；youluvzme”
parser=MyHTMLParser（）
parser.feed（n）
parser.close（）
data=parser.data
打印（数据）

问题是它返回5个独立的数据位

['I ', u'<', '3s U ', u'&', ' you luvz me']

---

['I'，u'使用以下方法加入字符串列表：

请记住，HTMLPasser的目的是让您从输入构建文档树。如果您根本不关心文档的结构，那么
str.join
solution@falsetru-gives就可以了。您可以确定，所有元素标记和注释都将被过滤掉

但是，如果您确实需要用于更复杂场景的结构，则必须构建文档树。
handle\u starttag
和
handle\u endtag
方法用于此

首先，我们需要一个能够保存一些信息的基本树

class Element:
    def __init__(self, parent, tag, attrs=None):
        self.parent = parent
        self.tag = tag
        self.children = []
        self.attrs = attrs or []
        self.data = ''

现在，您需要让HTMLParser在每个
句柄上创建一个新节点，并在每个
句柄上向上移动树。我们还将解析后的数据传递给当前节点，而不是保存在解析器中

class MyHTMLParser(HTMLParser):
    def __init__(self):
        super().__init__()
        self.root = Element(NONE, '__DOCROOT__') # Special root node for us
        self.current = self.root

    def handle_starttag(self, tag, attrs):
        newel = Element(self.current tag, attrs)
        self.current.children.append(newel)
        self.current = newel

    def handle_endtag(self, tag):
        self.current = self.current.parent

    def handle_data(self, data):
        self.current.data += data

    def handle_charref(self, ref): # No changes here
        self.handle_entityref('#' + ref)

    def handle_entityref(self, ref): # No changes here either
        self.handle_data(self.unescape("&%s" % ref))

现在，您可以访问
MyHTMLParser.root
上的树，从任意元素获取数据

n = '<strong>I &lt;3s U &amp; you luvz me</strong>'
p = MyHTMLParser()
p.feed(n)
p.close()

def print_tree(node, indent=0):
    print('    ' * indent + node.tag)
    print('    ' * indent + '  ' + node.data)
    for c in node.children:
        print_tree(c, indent + 1)

print_tree(p.root)

n='i3su&；youluvzme'
p=MyHTMLParser（）
p、 饲料（n）
p、 关闭（）
def打印树（节点，缩进=0）：
打印（“”*缩进+节点标记）
打印（“”*缩进+“”+节点数据）
对于node.children中的c：
打印树（c，缩进+1）
打印树（p.root）

这会给你

__DOCROOT__

    strong
      I <3s U & you luvz me

\uuuu DOCROOT__
坚强的
我你可以参考这个

并根据需要编辑
html\u to\u text
函数

from HTMLParser import HTMLParser
n = "<strong>I &lt;3s U &amp; you luvz me</strong>"

class MLStripper(HTMLParser):
    def __init__(self):
        self.reset()
        self.fed = []
    def handle_data(self, d):
        self.fed.append(d)
    def handle_entityref(self, name):
        self.fed.append('&%s;' % name)
    def get_data(self):
        return ''.join(self.fed)

def html_to_text(html):
    s = MLStripper()
    s.feed(html)
    return HTMLParser().unescape(s.get_data())

print html_to_text(n)

从HTMLParser导入HTMLParser
n=“i3su&；youluvzme”
类MLStripper（HTMLPasser）：
定义初始化（自）：
self.reset（）
self.fed=[]
def句柄_数据（自身，d）：
self.fed.append（d）
def handle_entityref（自身，名称）：
self.fed.append（'&%s；'%name）
def get_数据（自身）：
返回“”。加入（self.fed）
def html_至_文本（html）：
s=MLM剥离器（）
s、 提要（html）
返回HTMLParser（）.unescape（s.get_data（））
将html_打印到_文本（n）

输出：

I <3s U & you luvz me

我感谢falsetru。在这种简单的情况下，Join可能会起作用，但如果使用更复杂的html，则很难确定要加入什么。原因是我没有使用lxml（或ElementTree）我真的不知道它们是如何工作的，在使用它们之前我试图从第一原理中学习。但是我会更深入地研究。非常感谢你，这里有很多我不完全理解的地方，但我现在会仔细阅读。我已经接受了falsetru的回答，因为它最适合我实际提出的问题，尽管你的答案更适合wh至少我想知道。
__DOCROOT__

    strong
      I <3s U & you luvz me

__DOCROOT__

    html

        head

            title
              Test
        body

            h1
              I <3s U & you luvz me

from HTMLParser import HTMLParser
n = "<strong>I &lt;3s U &amp; you luvz me</strong>"

class MLStripper(HTMLParser):
    def __init__(self):
        self.reset()
        self.fed = []
    def handle_data(self, d):
        self.fed.append(d)
    def handle_entityref(self, name):
        self.fed.append('&%s;' % name)
    def get_data(self):
        return ''.join(self.fed)

def html_to_text(html):
    s = MLStripper()
    s.feed(html)
    return HTMLParser().unescape(s.get_data())

print html_to_text(n)

I <3s U & you luvz me