Python处理HTML中的转义字符

最近在用python抓取网页数据时，经常遇到一些html转义字符（也叫html字符实体），例如<> 等。字符实体一般是为了表示网页中的预留字符，比如 > 用 > 表示，防止被浏览器认为是标签，具体参考w3school的HTML 字符实体。虽然很有用，但是它们会极度影响对于网页数据的解析。

比方说一个从网页中抓到的字符串

html = '&lt;abc&gt;'

用Python可以这样处理：

from html
txt = html_parser.unescape(html)
print(txt)
--->>> <abc>

如果还想转回去，可以这样：

import html
txt = html.escape(html)
print(txt)
--->>> &lt;abc&gt;