Mas na última linha da função htmlunescape acho que você quiz dizer ‘(&\\w+;)’ em vez de ‘(&\\\\w+;)’

import xml.sax.saxutils as saxutils

saxutils.escape(“&”)
‘&’

saxutils.unescape(“>”)
‘>’

http://docs.python.org/lib/node563.html

Mostra que dentro do módulo cgi existe uma função escape para fazer isso. Só não achei uma unescape :)

ele retorna em php um array associando ‘ç’ => ‘&ccdil;’ por exemplo.

com isso fica fácil pq ai é um S.replace() :).

Para fazer o unescape seria melhor um solução desse tipo:

from htmlentitydefs import name2codepoint as n2cp
import re

entity_re = re.compile(‘&(#?)(\d{1,5}|\w{1,8});’)

def substitute_entity(match):
ent = match.group(2)
if match.group(1) == ‘#’:
return unichr(int(ent))
else:
cp = n2cp.get(ent)
if cp:
return unichr(cp)
else:
return match.group()

def decode_htmlentities(string):
return entity_re.subn(substitute_entity, string)[0]

Esse código, a princípio pode retornar uma string unicode, o que é mais correto. Veja que ainda existe o caso &#número; que o seu código não trata. Veja:

>>> htmlunescape(‘é ã Ã あ’)
‘\xe9 \xe3 \xc3 あ’

Já esse código:

>>> decode_htmlentities(‘é ã Ã あ’)
u’\xe9 \xe3 \xc3 \u3042′

Não testei, mas acho também que essa versão usando re.subn é bem mais eficiente do que fazer um re.split e depois concatenar novamente.

Abraços,
– Nilton