Python 解析&#开头的字符串
爬虫的时候，发现网页中好多中文都是用&#开头的一串字符表示，搞不懂是什么编码，直到看到知乎上的一个回答。
引用原作者的话，这一串字符是HTML、XML等SGML类语言的转义序列，不是编码。而以&#开头的叫numeric character reference（NCR），&#后面可以跟十进制数字或是以x开头的16进制数字，数字为目标字符的Unicode code point，并以；结束。具体的解释可以看原答案或是自行搜索。
Python 中处理这种转义序列也很简单，直接使用标准库中的HTMLParser解析即可：
1 | from HTMLParser import HTMLParser |