Python如何转换含HTML实体的XML，正常显示特殊字符ñ

嘿，这个问题我之前帮朋友处理过，本质就是把那些被拆成HTML实体的UTF-8字节还原成正确的字符。下面给你两种实用的实现方式，都能得到你想要的结果：

方法一：直接处理字符串 #

这种方式适合快速处理单个XML字符串，步骤很清晰：

1. 先用html.unescape把HTML实体转换成对应的字符；
2. 再通过编码转换把这些字符还原成正确的UTF-8字符。

代码示例：

import html

# 你的原始XML内容
raw_xml = '<user> <name>mariap</name> <full-name>Maria Pe&#195;&#177;a</full-name> <uid>2007</uid> <class>super-user</class> </user>'

# 第一步：解析HTML实体，得到包含临时字符的字符串
unescaped_str = html.unescape(raw_xml)
# 第二步：将临时字符按latin-1编码为字节，再解码为UTF-8，还原出ñ
fixed_xml = unescaped_str.encode('latin-1').decode('utf-8')

# 输出结果
print(fixed_xml)

方法二：结合XML解析器处理 #

如果你的XML内容更复杂，需要后续操作XML节点，这种方式更合适：先处理实体还原字符，再用XML解析器解析和输出。

代码示例：

import html
import xml.etree.ElementTree as ET

raw_xml = '<user> <name>mariap</name> <full-name>Maria Pe&#195;&#177;a</full-name> <uid>2007</uid> <class>super-user</class> </user>'

# 先还原HTML实体和UTF-8字符
unescaped_str = html.unescape(raw_xml)
fixed_content = unescaped_str.encode('latin-1').decode('utf-8')

# 解析XML并输出格式化内容
root = ET.fromstring(fixed_content)
ET.dump(root)

为什么这么做？ #

你看到的ñ其实是ñ的UTF-8字节（0xC3和0xB1）被分别转换成了HTML实体。先用html.unescape得到对应的字符（Ã和±），再用latin-1编码把这些字符转回原始字节，最后解码成UTF-8就得到了正确的ñ。

内容的提问来源于stack exchange，提问作者Nitin Kr