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

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'<pexternal nofollow" target="_blank" href="https://en.wikipedia.org/wiki/Comparison_of_text_editors">https://en.wikipedia.org/wiki/Comparison_of_text_editors

定位元素显示为 &npsp；

网页源代码表示为  

<tr> <td>memory</td> <td>= Limited by available memory   </td> <td>No (64 KB)</td> <td>= Some limit less than available memory (give max size if known)</td> </tr> </table>

实际传输Hex为：

不间断空格的unicode表示为 uxa0'，保存的时候编码 utf-8 则是 'xc2xa0'

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 xa0xa0', u'No (64xa0KB)', u'= Some limit less than available memory (give max size if known)']

In [212]: u'No (64xa0KB)'.encode('utf-8')
Out[212]: 'No (64xc2xa0KB)'

In [213]: u'No (64xa0KB)'.encode('utf-8').decode('utf-8')
Out[213]: u'No (64xa0KB)'

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。

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'?'

3.如何处理

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

（编辑：91站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!