Wie entferne ich die \xa0-Unicode-Formatierung in Python ordnungsgemäß?

Entfernen der xa0-Unicode-Formatierung in Python

Beim Parsen von HTML mit Beautiful Soup stoßen Sie möglicherweise auf das xa0-Unicode-Zeichen, das Leerzeichen darstellt. Das Entfernen dieser Zeichen und das Ersetzen durch normale Leerzeichen erfordert Aufmerksamkeit bei der Codierung und Decodierung.

In Python 2.7 können Sie den Befehl string.replace(u'xa0', u'') verwenden, um xa0 durch Leerzeichen zu ersetzen. Dieser Ansatz wandelt jedoch xa0 fälschlicherweise in „u“-Zeichen um.

Die Lösung liegt im Verständnis, dass xa0 ein geschütztes Leerzeichen in Latin1 (ISO 8859-1) ist. Um es zu entfernen, verwenden Sie den folgenden Befehl:

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

Der Aufruf von encode('utf-8') für die geänderte Zeichenfolge ohne Verwendung des Befehls replace() kann jedoch zu seltsamen Zeichen wie xc2 führen. Dies liegt daran, dass encode() Unicode-Zeichen in UTF-8 konvertiert und xa0 als Folge von zwei Bytes, xc2 und xa0, darstellt.

Um die Zeichenfolge in ihren beabsichtigten Zustand zurückzusetzen, verwenden Sie den folgenden Befehl nach dem Ersetzen( ) Bedienung:

string = string.encode('utf-8')

Das obige ist der detaillierte Inhalt vonWie entferne ich die \xa0-Unicode-Formatierung in Python ordnungsgemäß?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!