我需要使用 Python 将任何 html 实体转换为其 ASCII 等价物。我的用例是我正在清理一些用于构建电子邮件的 HTML，以从 HTML 创建纯文本电子邮件。
现在，我只有在需要 ASCII（我认为）时才真正知道如何从这些实体创建 unicode，以便纯文本电子邮件能够正确读取重音字符等内容。我认为一个基本的例子是 html 实体“& aacute;”或 á 被编码为 ASCII。
此外，我什至不能 100% 确定 ASCII 是我对纯文本电子邮件所需要的。如您所知，我完全迷失在这些编码方面。
【问题讨论】：
这是一个完整的实现，它也处理 unicode html 实体。您可能会发现它很有用。
它返回一个不是ascii的unicode字符串，但是如果你想要纯ascii，你可以修改替换操作，使其将实体替换为空字符串。
def convert_html_entities(s):
matches = re.findall("&#\d+;", s)
if len(matches) > 0:
hits = set(matches)
for hit in hits:
name = hit[2:-1]
try:
entnum = int(name)
s = s.replace(hit, unichr(entnum))
except ValueError:
pass
matches = re.findall("&#[xX][0-9a-fA-F]+;", s)
if len(matches) > 0:
hits = set(matches)
for hit in hits:
hex = hit[3:-1]
try:
entnum = int(hex, 16)
s = s.replace(hit, unichr(entnum))
except ValueError:
pass
matches = re.findall("&\w+;", s)
hits = set(matches)
amp = "&"
if amp in hits:
hits.remove(amp)
for hit in hits:
name = hit[1:-1]
if htmlentitydefs.name2codepoint.has_key(name):
s = s.replace(hit, unichr(htmlentitydefs.name2codepoint[name]))
s = s.replace(amp, "&")
return s
编辑：添加了十六进制代码的匹配。我已经使用了一段时间了，并且遇到了我的第一个情况， ' 是单引号/撇号。
【讨论】：
ASCII 是美国信息交换标准代码，不包含任何重音字母。您最好的选择是获取 Unicode（如您所说）并将其编码为 UTF-8（如果您正在处理严重编码错误的用户代理/客户端，可能是 ISO-8859-1 或一些奇怪的代码页，叹息） - - 该部分的内容类型标头与 text/plain 一起可以表达您选择使用的编码（我建议尝试 UTF-8，除非您已经明确证明它无法工作 - 它几乎这些天来普遍支持，比任何 ISO-8859 或“代码页”黑客更灵活！）。
【讨论】：
您可以使用htmlentitydefs 包：
import htmlentitydefs
print htmlentitydefs.entitydefs['aacute']
基本上，entitydefs 只是一个字典，您可以通过在 python 提示符下打印它来查看：
from pprint import pprint
pprint htmlentitydefs.entitydefs
【讨论】：
我们搭建了一个带有agazso功能的小模块：
http://github.com/ARTFL/util/blob/master/ents.py
我们发现 agazso 的功能比 ent 转换的替代品更快。感谢您发布它。
【讨论】：