欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

HTML转义字符&npsp;表示non-breaking space xa0

程序员文章站 2022-03-07 07:55:34
1.参考beautiful soup and unicode problems详细解释unicodedata.normalize('nfkd',string) 实际作用???scrapy : sele...

1.参考

beautiful soup and unicode problems

详细解释

unicodedata.normalize('nfkd',string) 实际作用???

scrapy : select tag with non-breaking space with xpath

>>> selector.xpath(u'''
... //p[normalize-space()]
... [not(contains(normalize-space(), "\u00a0"))]

normalize-space() 实际作用???

in [244]: sel.css('.content')
out[244]: [<selector xpath=u"descendant-or-self::*[@class and contains(concat(' ', normalize-space(@class), ' '), ' content ')]" data=u'<p class="content text-

beautifulsoup下unicode乱码解决

今天在用scrapy爬某个网站的数据,其中dom解析我用的是beautifulsoup,速度上没有xpath来得快,不过因为用了习惯了,所以一直用的bs,版本是bs4
不过在爬取过程中遇到了一些问题,其中一个是unicode转码问题,这也算是python中一个著名问题了。
我遇到的算是beautifulsoup中的一个奇葩bug吧,在网页中经常会有 &nbsp 这种标记,称为 non-breaking space character, 本来这个应该是忽略的,但在bs中会把这个符号
转义成为一个unicode编码 \xa0, 这就导致了后面如果要对内容处理的话会出现unicodeerror, 特别是如果使用的是console或者scrapy中写文件、写数据库的pipeline操作时,
出现无法转义的错误。
那么该如何解决呢,其实不难

s = u'\xa0'
s.replace(u'\xa0', u'')

之后就可以对s进行encode,比如:

s = u'\xa0'
s.replace(u'\xa0', u'').encode('utf-8')

特别是在我的项目中,如果需要把数据写到mongodb中,这个bug fix完后,写数据立刻搞定,爬取的内容全部写到mongodb中。

s.replace(u'\xa0', u'').encode('utf-8')

2.问题定位

https://en.wikipedia.org/wiki/comparison_of_text_editors

定位元素显示为 &npsp;

HTML转义字符&npsp;表示non-breaking space xa0

网页源代码表示为 &#160;

<tr>
<td style="background: #ffd; color: black; vertical-align: middle; text-align: center;" class="partial table-partial">memory</td>
<td>= limited by available memory &#160;&#160;</td>
<td style="background:#f99;vertical-align:middle;text-align:center;" class="table-no">no (64&#160;kb)</td>
<td>= some limit less than available memory (give max size if known)</td>
</tr>
</table>

实际传输hex为:

HTML转义字符&npsp;表示non-breaking space xa0

不间断空格的unicode表示为 u\xa0',保存的时候编码 utf-8 则是 '\xc2\xa0'

in [211]: for tr in response.xpath('//table[8]/tr[2]'):
...: print [u''.join(i.xpath('.//text()').extract()) for i in tr.xpath('./*')]
...:

[u'memory', u'= limited by available memory \xa0\xa0', u'no (64\xa0kb)', u'= some limit less than available memory (give max size if known)']

in [212]: u'no (64\xa0kb)'.encode('utf-8')
out[212]: 'no (64\xc2\xa0kb)'

in [213]: u'no (64\xa0kb)'.encode('utf-8').decode('utf-8')
out[213]: u'no (64\xa0kb)'

保存 csv 直接使用 excel 打开会有乱码(默认ansi gbk 打开???,u'\xa0' 超出 gbk 能够编码范围???),使用记事本或notepad++能够自动以 utf-8 正常打开。

HTML转义字符&npsp;表示non-breaking space xa0

使用记事本打开csv文件,另存为 ansi 编码,之后 excel 正常打开。超出 gbk 编码范围的替换为'?'

HTML转义字符&npsp;表示non-breaking space xa0

3.如何处理

.extract_first().replace(u'\xa0', u' ').strip().encode('utf-8','replace')

以上就是html转义字符&npsp;表示non-breaking space \xa0的详细内容,更多关于html转义字符\xa0的资料请关注其它相关文章!