Python - 检测字符串中重音 HTML 转义的最佳方法？

Question

Python 有一些很好的库来转换 Unicode 重音字符 to its closest Ascii character, as well as libraries to encode codepoint to its Unicode character.

但是，有哪些选项可以检查字符串是否具有 unicode 代码点或 HTML 转义？例如，这个字符串：

Rialta te Venice&#199

有 &#199，转换为 latin capital letter C。是否有 python 库检测字符串中的 codepoints/escape 并输出 Unicode 等价物？

Answer 1

我不太清楚你在问什么，但这是我最好的尝试：

1. &#199 是一个 HTML 转义 ，你可以 unescape 像这样：

   >>> s = 'Rialta te Venice&#199'
   >>> import html
   >>> s2 = html.unescape(s); s2
   'Rialta te VeniceÇ'
   

2. 如您所说，有 normalizing/removing accents:

   的库

   >>> import unidecode
   >>> unidecode.unidecode(s2)
   'Rialta te VeniceC'
   

   您真的不需要检查它是否具有 Unicode 代码点，因为此函数不会更改非重音字符。但是您仍然可以使用 s2.isascii().

   检查

所以完整的解决方案是使用unidecode.unidecode(html.unescape(s))。