Question

我正在抓取网络，并且得到了Unicode字符作为原始字符。我得到\u00f3而不是得到“ó”字符。

与写相同：

>>>print("\\u00f3")

我想将所有Unicode字符中的"\\u00f3"转换为"\u00f3"。是：

"\\uxxxx" -> "\uxxxx"

但是，如果我尝试将\\替换为\，则下一个字符将被解释为转义字符。

我该怎么办？

应用下面的代码，我可以转换部分字符：

def raw_to_utf8(matcher): 
    string2convert = matcher.group(0)
    return(chr(int(string2convert[2:],base=16)))

def decode_utf8(text_raw):
   text_raw_re=re.compile(r"\\u[0-9a-ce-z]\w{0,3}")
   return text_raw_re.sub(raw_to_utf8, text_raw)

text_fixed = decode_utf8(text_raw)

正如您在正则表达式模式中所看到的，我已经跳过了'd'字符。这是因为该方法和任何其他方法都不能在UTF-8中转换\ udxxx字符。对于我来说，它们不是重要角色，所以这不是问题。

感谢您的帮助。

****************************解决了********************** ************

最佳解决方案之前已解决： Python-encoding and decoding using codecs,unicode_escape()

感谢您的帮助。

Answer 1

首先：也许您未使用正确的字符集对网页进行解码。如果Web服务器不提供字符集，则可能必须在meta标记中找到它或进行有根据的猜测。也许尝试几个常用的字符集并比较结果。

第二：我玩了一段时间的字符串并解码了一段时间，这确实令人沮丧，但是我在format()中找到了可能的解决方案：

s = "\\u00f3"
print('{:c}'.format(int(s[2:], 16)))

将提取的十六进制值格式化为Unicode似乎可以正常工作。

Answer 2

您不能将' @ error/constitute.c/ReadImage/509.convert: unable to open image 'roti': No such file or directory @ error/blob.c/OpenBlob/3094.convert: no decode delegate for this image format替换为'\\'，因为'\'不是有效的文字字符串。

将十六进制表达式转换为数字，然后找到相应的字符：

'\'

您可以检查一下是否可以得到所需的结果：

original = '\\u00f3'
char = chr(int(original[2:], base=16))

蟒蛇。将“ \\ uxxxx”替换为“ \ uxxxx”

2 个答案: