解析"quoted-printable“编码文本

Question

我有一些用quoted-printable编码的文本，其中使用=符号进行软中断。我希望解析(而不是解码)这个文本。有没有什么方法可以让我读到下面的内容，

<span style=3D"text-decoration: line-through; color: rgb(156, 163, 173);">8=
/23/2017-&nbsp;&nbsp;Lorem ipsum dolor sit amet, fastidii sad.Vim graece&nb=
sp; tractatos

如下所示：

8/23/2017-        Lorem ipsum dolor sit amet, fastidii sad.Vim graece    tractatos

Answer 1

对于re模块，这似乎应该足够简单了(这是未经测试的，来自内存：

import re

test_str = """<span style=3D"text-decoration: line-through; color: rgb(156, 163, 173);">8=
/23/2017-&nbsp;&nbsp;Lorem ipsum dolor sit amet, fastidii sad.Vim graece&nb=
sp; tractatos"""

re.sub(r'=$', r'\n', test_str, flags=re.MULTILINE)

但既然你要求解析它。您想要检索什么？解析通常意味着您将提取结构化数据，因此您的输入应该符合某些语法(看起来是这样)：

• 第一个字段是日期(采用某种格式)
• 第二个字段a message
• 第三个字段(看起来像是第三个字段)：category

编辑：

最简单的形式：

import quopri
from HTMLParser import HTMLParser

test_str = """<span style=3D"text-decoration: line-through; color: rgb(156, 163, 173);">8=
/23/2017-&nbsp;&nbsp;Lorem ipsum dolor sit amet, fastidii sad.Vim graece&nb=
sp; tractatos"""

h = HTMLParser()
print h.unescape(quopri.decodestring(test_str))

Answer 2

解析器对于这个问题可能有些过分了，但是pyparsing是一个简单的解析库，可以处理一些更复杂的规则。此外，它还内置了一些HTML标记表达式：

import pyparsing as pp

sample = """\
<span style=3D"text-decoration: line-through; color: rgb(156, 163, 173);">8=
/23/2017-&nbsp;&nbsp;Lorem ipsum dolor sit amet, fastidii sad.Vim graece&nb=
sp; tractatos"""

# strip all trailing '='
sample = sample.replace("=\n", "")

# convert =XX to char(int(XX)), like =3D -> '='
hex_escape = pp.Regex(r'=[0-9a-fA-F]{2}')
hex_escape.setParseAction(lambda t: chr(int(t[0][1:], 16)))
sample = hex_escape.transformString(sample)

# convert HTML entities like &nbsp; and suppress all opening and closing HTML tags
pp.commonHTMLEntity.setParseAction(pp.replaceHTMLEntity)
stripper = pp.anyOpenTag.suppress() | pp.anyCloseTag.suppress() | pp.commonHTMLEntity

使用剥离器转换您的输入字符串：

stripped = stripper.transformString(sample)
print(stripped)

打印

8/23/2017-  Lorem ipsum dolor sit amet, fastidii sad.Vim graece  tractatos