Python中如何处理XML中的特殊HTML实体

python处理xml中html实体的核心方法有三：一是用html.unescape预处理再解析；二是为xml解析器自定义EntityResolver映射HTML实体；三是对HTML本质内容直接用lxml.html.fromstring宽容解析。

Python中处理XML里的HTML实体（比如 、<、'等），关键在于区分“XML原生实体”和“HTML定义的额外实体”。XML标准只认&、<、>、"、'这5个，其余如 或©属于HTML规范，在纯XML解析器里默认会报错。

用html.unescape预处理HTML风格的XML内容

如果XML字符串实际混用了HTML实体（常见于网页抓取、富文本导出等场景），最直接的办法是先用html.unescape()把所有HTML实体转成对应Unicode字符，再交给XML解析器处理：

• 适用于已知内容含大量HTML实体、且你信任数据来源的情况
• 注意：该方法会无差别转换，包括可能存在的合法XML实体（如& → &），所以建议在解析前做一次“双重转义”清理，或确保原始内容没嵌套转义
• 示例：html.unescape("

  Hello World

  

  JSON的简单用法 中文WORD版

  本文档主要讲述的是JSON的简单用法；JSON （JavaScript Object Notation）一种简单的数据格式，比xml更轻巧。 JSON 是 JavaScript 原生格式，这意味着在 JavaScript 中处理 JSON 数据不需要任何特殊的 API 或工具包。希望本文档会给有需要的朋友带来帮助；感兴趣的朋友可以过来看看

  1

  查看详情

  立即学习“Python免费学习笔记（深入）”；

  ") → "

  Hello World

  立即学习“Python免费学习笔记（深入）”；

  "

自定义EntityResolver绕过未声明实体错误

若需保留XML解析流程（如用xml.etree.ElementTree或lxml），又不想预处理字符串，可为解析器注入自定义实体映射。以lxml为例：

• 创建etree.XMLParser()并传入resolve_entities=False禁用默认实体解析
• 配合etree.DTD或重写EntityResolver，把nbsp、copy等映射到对应Unicode码点
• 例如：{"nbsp": "u00a0", "copy": "u00a9"}

用lxml.html.fromstring更宽容地解析混合内容

当XML实质是HTML片段（如邮件正文、cms导出内容），直接用lxml.html.fromstring()比etree.fromstring()更合适：

• 它内置HTML实体支持，自动识别并转换 、“等数百个HTML实体
• 能容忍标签不闭合、属性无引号等常见HTML脏数据
• 解析后仍可用XPath、css选择器操作，与xml处理逻辑兼容度高

基本上就这些。核心思路是：明确数据本质——是真XML就补DTD或预清理；是HTML就换html解析器。别硬扛着用标准XML解析器去读带®的“伪XML”，容易卡在第一行。