在抓取下來的網頁源碼顯示的是如下的內容,而不是可讀性的漢字

經查資料後得知, 在網頁中以四開頭的是HTML實體,具體什麽是HTML實體,請百度:http://baike.baidu.com/view/4757776.htm

如何把漢字轉換成HTML實體呢？

其實很簡單，漢字的HTML實體由三部分組成，”&#+ASCII+;“ 即可。

Python中提供了一個模塊：HTMLParser，裏面有很多好用的方法，

我們可以使用：dir(HTMLParser.HTMLParser)查看該模塊下的HTMLParser類屬性，其中有一個方法：unescape()，

再使用：help(HTMLParser.HTMLParser.unescape)，可以看到該方法的說明信息，但是幾乎沒什麽用。其實該方法就是將HTML實體（帶有&#符號打頭的）進行解碼，轉換為原有字符。下面是簡單實例：

import HTMLParser
def decodeHtml(input):
    h = HTMLParser.HTMLParser()
    s = h.unescape(input)
    return s
c = (這裏是要轉碼的以&#開頭的內容, 如需測試請自行粘貼)

print decodeHtml(c)

網頁內容以&#開頭以;結尾的編碼(四)轉漢字--python