记录一个开头带有&#x的特征数据的解码

本篇文章很短，只是作为一个小技巧分享

 

今天在分析某网站的时候，遇到一个神奇的编码，如下

 

13555555555

 

 

不管我怎么搞都解码不出来，查了下，说的是在 node 层利用  解析网页时，输出的中文内容都是以 &#x 开头的一堆像乱码一样的东西，尝试过各种编码都无效，而且神奇的是，将这一堆“乱码”保存成网页后，通过浏览器打开又可以正常显示，凭我多年的爬虫分析经验来看，这应该就是我要的东西，并不是随机生成的，想了很久，我突然想起了一种html的页码表现形式，有没有觉得很像那种html的特征码，比如 空格就是     以上的数据，格式是是不是非常像

 

搜了下，说的是这种形式是numeric character reference，数字取值为目标字符的 unicode code point；以「&#」开头的后接十进制数字，「&#x」开头的后接十六进制数字。

从 html4 开始，numeric character reference 以 unicode 为准，与文档编码无关。

 

我突然想起，之前遇到过一个网站，他的数据就是这样的，用lxml库里的fromtring就可以解析出来

 

于是：

 

 

 

 

from lxml.html import formstring
s = '13555555555'
print(fromstring(s).text)

'13555555555'

 

 

后面发现，其实还有一种方法可以解决：

 

 

 

 

s = '13555555555'
k = s.replace(';', '').replace('&#x', r'\u00').encode('utf-8').decode('unicode-escape')
pirnt(k)
# '13555555555'

　　

 

unicode-escape和unicode是同级别的一种字符集，但是很少用，针对一些特殊情况时会用，其实还有string-escape，其实这两个我搜了下资料，感觉看了跟没看一样，我写这个博客的5分钟以前看了的，我现在都忘了说的啥了，反正说白了就是在解析一些数据无法正常解析时，就可以使用unicode-escape

 

顺便一说，在解析时的编码，如果utf-8，gbk，gb2312都无法解析，可以用gb18030解码