性格\ u260e

Question

在网页报废期间，我得到了unicode中的字符\ u260e。我的输出是“The Last Resort，â€+977 1 4700525”。所以不应该，而应该是☎。

如何将其恢复到电话号码（☎）？因此输出将是“The Last Resort，☎+ 977 1 4700525”。

Krish

Answer 1

当您抓取网站时，Python识别出一个“☎”字符并将其存储在字符串中。

此角色的代码点为260e。但是，当存储字符时，它们将存储为一个或多个字节的序列。这些字节取决于所使用的编码。在你的情况下，可能使用了UTF-8。

此角色的UTF-8编码为E2 98 8E（参见http://www.fileformat.info/info/unicode/char/260e/index.htm）。

所以现在你有一个代表你角色的字节序列。你打算用它做什么？你打算把它输出到某个地方。但是希望将此字节字符串转换为字符，因此您必须指定编码。假设您指定编码Windows-1252（请参阅http://unicode.org/Public/MAPPINGS/VENDORS/MICSFT/WINDOWS/CP1252.TXT）。

• E2是
• 98是〜
• 8E是Ž

这就是你所看到的。你需要用UTF-8写出你的Python字符串。或者，如果您正在写HTML，请使用DruvPathak建议使用HTML字符实体引用，在这种情况下

☎

或

☎

我怀疑发生的事情是你在写出字符串时没有指定编码，而Windows-1252是默认的。或者，您的浏览器可能默认设置为显示Windows-1252。

在HTML中发送数据的一个有趣的事情是你可以发送一个UTF-8字节流，将HTTP内容类型设置为UTF-8，并在你的HTML文档中放置元标记，说明页面是以UTF-8，但如果最终用户使用允许他或她覆盖服务器发送的编码的浏览器，我认为有可能最终用户会错误地看到数据。

如果您使用字符实体引用，浏览器将始终正确显示它。

但是，在任何地方使用这些实体引用可能不方便。如今，大多数人都没有手动设置浏览器来覆盖服务器发送的编码。

<强>附录

因此，假设您有一个unicode字符串，并且您希望生成包含HTML字符实体引用的常规（非unicode）字符串（类型str ）。这是一个完整的示例脚本，它说明了直接的，但不一定是最恐怖的方式：

def to_character_entity_reference_string(s):
    return "".join(["&#" + str(ord(c)) + ";" for c in s])

print(to_character_entity_reference_string(u'काठमाण्डु'))

如果您运行此脚本，则会获得输出

काठमाण्डु

您可以将该输出放入文件并在Web浏览器中打开，您会看到काठमाण्डु按预期显示。

您可以在此基本脚本上创建变体，以便保留代码点小于128的字符，而其他所有字符都成为字符实体引用。您可能还想探索Python的encode和decode函数。再一次，角色实体引用防范人们手动更改其浏览器设置以覆盖您的编码，这当然很好，但可能被认为是矫枉过正。滥用这些设置的最终用户可以说是得到了他们应得的东西，所以通常可以接受设置只是编码UTF-8中的所有内容。不过，了解字符实体引用很好。

Answer 2

您可以使用具有给定代码的HTML实体在结果页面中打印它们。

例如： http://www.danshort.com/HTMLentities/index.php?w=dingb

或者使用string.encode函数以所需的编码对其进行编码。