首页
学习
活动
专区
圈层
工具
发布
社区首页 >问答首页 >Python -将unicode十六进制转换为字符串

问Python -将unicode十六进制转换为字符串
EN

Stack Overflow用户
提问于 2014-10-26 23:15:31
回答 1查看 522关注 0票数 0

我使用可读性分析器API从网页中提取内容。当网页是拉丁文字符集时,这是可以的,但当我用西里尔语提取文章时,它的结尾如下:

代码语言:javascript
复制
<div>&#x412;&#x432;&#x43E;&#x441;&#x43A;&#x440;&#x435;&#x441;&#x435;&#x43D;&#x44C;</div>...etc

有趣的是,网页的标题是用西里尔字母正确提取的,而不是内容。我的尝试是按照这个所以回答中的建议做以下事情

代码语言:javascript
复制
content = unicodedata.normalize('NFKD', content).encode('ascii','ignore')

但这不起作用。您能告诉我在保存到数据库之前是否有方法转换这个字符串吗?

请告诉我问题的标题是否正确地解释了我需要什么。谢谢。

EN

回答 1

Stack Overflow用户

回答已采纳

发布于 2014-10-27 01:07:08

单向(Python3.3):

代码语言:javascript
复制
>>> s='<div>&#x412;&#x432;&#x43E;&#x441;&#x43A;&#x440;&#x435;&#x441;&#x435;&#x43D;&#x44C;</div>'
>>> import html.parser
>>> h=html.parser.HTMLParser()
>>> h.unescape(s)
'<div>Ввоскресень</div>'

Python 2.7:

代码语言:javascript
复制
>>> s='<div>&#x412;&#x432;&#x43E;&#x441;&#x43A;&#x440;&#x435;&#x441;&#x435;&#x43D;&#x44C;</div>'
>>> import HTMLParser
>>> h=HTMLParser.HTMLParser()
>>> print(h.unescape(s))
<div>Ввоскресень</div>

我去找了文档链接,看起来unescape没有文档化。这里有一种不用使用无文档化API的方法:

代码语言:javascript
复制
>>> re.sub(r'&#x(.*?);',lambda x: chr(int(x.group(1),16)),s)
'<div>Ввоскресень</div>'

在每条评论中,它看上去终于用Python3.4记录了(并移动):

票数 2
EN
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接:

https://stackoverflow.com/questions/26579067

复制
相关文章

相似问题

领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档