Python编码（摆脱不必要的符号）

Question

我正在使用 lxml 模块抓取一个页面。 使用以下代码正确删除所有内容：

some_element.text_content().encode('utf-8').strip()

但是一个元素返回'+\xc2\xad25550'字符串而不是'+25550'（如页面所示）。如果我删除编码方法，则返回u'+\xad25550' 应该用什么来获取'+25550'字符串？

Answer 1

str.strip()从开头和结尾仅删除空白。它不会从中间删除空格。此外，字符串中有U+00AD SOFT HYPHEN个字符，而不是空格。

您可以使用翻译地图明确删除该字符，并传递给unicode.translate() method：

toremove = {0xAD: None}
some_element.text_content().translate(toremove).encode('utf8')

toremove中的每个键必须是表示Unicode代码点的整数（此处指定为十六进制整数文字），值None告诉unicode.translate()完全删除该字符。

演示：

>>> sample = u'+\xad25550'
>>> toremove = {0xAD: None}
>>> sample.translate(toremove)
u'+25550'

Answer 2

some_element.text_content().encode("ascii", "ignore").strip()

为我返回了干净的字符串。