2.2.8　处理HTML和XML文本

在处理Web相关业务，特别是处理网页文本时，经常需要将HTML或者XML实体如&entity或&#code替换为对应的文本，或需要转换文本中特定的字符（比如<、>或&）。

如果想替换文本字符串中的“<”或者“>”，可使用html.escape()函数实现，示例如下：

test_str = 'Elements are written as "<tag>text</tag>".'
import html
print(test_str)

print(html.escape(test_str))
print(html.escape(test_str, quote=False))

如果正在处理的是ASCII文本，并且想将非ASCII文本对应的编码实体嵌入ASCII文本，可以给某些I/O函数传递参数errors='xmlcharrefreplace'来达到目的，示例如下：

test_str = 'Spicy Jalapeño'
print(test_str.encode('ascii', errors='xmlcharrefreplace'))

为了替换文本中的编码实体，需要使用另外一种方法。如果正在处理的是HTML或者XML文本，试着先使用一个合适的HTML或者XML解析器。通常情况下，这些工具会自动替换这些编码值。

如果接收到一些含有编码值的原始文本，需要手动去做替换，通常只需要使用HTML或者XML解析器的一些相关工具函数/方法，示例如下：

test_str = 'Spicy "Jalapeño&quot.'
print(html.unescape(test_str))

text = 'The prompt is >>>'
from xml.sax.saxutils import unescape
unescape(text)

在生成HTML或者XML文本的时候，如何正确地转换特殊标记字符是一个容易被忽视的细节，特别是当使用print()函数或者其他字符串格式化方法来产生输出的时候。此时，使用html.escape()函数可以很容易地解决这类问题。

若想以其他方式处理文本，还可以使用其他工具函数，比如xml.sax.saxutils.unescapge()，不过应该先调研清楚怎样使用一个合适的解析器再做选择。比如，在处理HTML或XML文本时，使用某个解析模块比如html.parse或xml.etree.ElementTree可以帮助自动处理一些相关的替换细节。