Cambiar tildes

[pipipython]

Hola de nuevo! (Juer qué pesado soy) Lo siento

Sigo con mi proyecto y me encuentro con una dudilla:

Resulta que hay veces que en el documento que proceso, las tildes se muestran por ejemplo así "á" en vez de "á" (Cómo pasaría con una Web) Y lo único que se me ocurre es esto:

Código Python:

#Minúsculas:
    Resultado = Resultado.replace("á","á")
    Resultado = Resultado.replace("é","é")
    Resultado = Resultado.replace("í","í")
    Resultado = Resultado.replace("ó","ó")
    Resultado = Resultado.replace("ú","ú")
 
    #Mayúsculas:
    Resultado = Resultado.replace("Á","Á")
    Resultado = Resultado.replace("É","É")
    Resultado = Resultado.replace("Í","Í")
    Resultado = Resultado.replace("Ó","Ó")
    Resultado = Resultado.replace("Ú","Ú")
    
    #Tildes graves:
    Resultado = Resultado.replace("à","à")
    Resultado = Resultado.replace("è","è")
    Resultado = Resultado.replace("ì","ì")
    Resultado = Resultado.replace("ò","ò")
    Resultado = Resultado.replace("ù","ù")
 
    #Tildes graves mayúsculas:
    Resultado = Resultado.replace("À","À")
    Resultado = Resultado.replace("È","È")
    Resultado = Resultado.replace("Ì","Ì")
    Resultado = Resultado.replace("Ò","Ò")
    Resultado = Resultado.replace("Ù","Ù")
 

Lo malo es que me parece una chapuza ir reemplazando letra a letra la cadena. Es que la mayoría de veces no tienen tildes (y mucho menos las grabes) y a python le toca "reemplazarlo" de todas formas.

Sabéis de alguna manera que lo cambie automático sin tener que forzar el reemplazo?

Gracias, gracias, gracias!

[razpeitia]

Bueno primero lo primero. Lo que estas reemplazando se llaman HTML Entities lista de HTML entities ISO-8859-1

Ahora, claro que existe una mejor forma y esa es usar un parser html como lxml. Ejemplo:

Código Python:

>>> t = lxml.html.fromstring("á")
>>> t
<Element p at 0x2350930>
>>> t.text_content()
u'\xe1'
>>> print t.text_content()
á
 

[AlvaroG]

Vale aclarar que string.encode() puede hacer el trabajo inverso (convertir caracteres a sus correspondientes entidades), pero no hay nada en la biblioteca estándar de Python que permita hacer la conversión de entidades en caracteres.

Para la conversión se puede usar también BeautifulSoup:

Código Python:

from BeautifulSoup import BeautifulStoneSoup as bss
Resultado = bss(Resultado, convertEntities=BeautifulStoneSoup.HTML_ENTITIES).contents[0]
 

http://www.crummy.com/software/Beaut...on.html#Entity Conversion

[razpeitia]

@AlvaroG a pesar de que aprendí a parsear HTML con BeautifulSoup creo que es momento de decirle adiós, por varias razones:
-- El autor ya no lo esta manteniendo.
-- Es lento comparado con lxml.
-- Algunas partes las parsea con regex (Esto fue lo que partió en 2)

Link related

[pipipython]

Muchas gracias razpeitia! Ojalá supiera algo para poder ayudarte :)

Hoy ya no tengo tiempo pero mañana tengo tooodo el día para mirar lxml

AlvaroG, aunque no me vale para lo que hago, seguro que acabo utilizando lo de string.encode ;) Gracias a ti también

[AlvaroG]

Iniciado por razpeitia

@AlvaroG a pesar de que aprendí a parsear HTML con BeautifulSoup creo que es momento de decirle adiós, por varias razones:
-- El autor ya no lo esta manteniendo.
-- Es lento comparado con lxml.
-- Algunas partes las parsea con regex (Esto fue lo que partió en 2)

Link related

Lástima, habrá que empezar a recomendar lxml. El archivo README de BeautifulSoup 4 lo recomienda.