如何在 Python 中正确解码 HTML 实体字符

本文介绍使用 python 标准库 `html.unescape()` 高效、安全地将 html 字符实体（如 `'`、`"`、`&` 等）还原为可读的 unicode 字符，适用于网页标题提取、爬虫后处理等场景。

在通过 curl 抓取网页 HTML 内容时（例如 curl "%URLLink%" --insecure -L > "%HTMLFile%"），常会遇到标题或文本中包含 HTML 字符实体的情况，如：

其中 ' 是 Unicode 字符 '（单引号）的十进制数值字符引用（numeric character reference），é（虽未出现但常见）则是命名实体（named entity）。这类编码虽符合 HTML 规范，但直接阅读或进一步处理（如解析、存储、显示）前需还原为原始字符。

Python 3.4+ 提供了标准模块 html 中的 html.unescape() 函数，专用于此目的——它能统一处理命名实体（如 zuojiankuohaophpcn, ©）、十进制（©）和十六进制（©）数值引用，并自动映射到对应 Unicode 字符，无需额外依赖，线程安全，且完全兼容 HTML5 实体规范。

✅ 正确用法示例：

立即学习“Python免费学习笔记（深入）”；

海螺语音

海螺AI推出的AI语音生成工具，支持多种语种、情绪和效果。

下载

# 一行命令：curl 获取 HTML → 提取 title 标签内容 → 解码 HTML 实体 → 输出干净文本
curl -sL --insecure "%URLLink%" | grep -o '' | sed 's/', content, re.I | re.S)
if title_match:
    print(html.unescape(title_match.group(1).strip()))
else:
    print('No