python爬虫中一个str类型的unicode字符串转成中文的问题

本文主要介绍部分爬虫在遇到%u5317%u4eac%u70e4%u9e2d这种类似unicode编码的str类型数据时,无法直接使用decode('unicode-escape')方法来转成中文的时候,一个转码的解决方案,以及这个方案的思路!

今天在爬一个网站的时候,遇到了一个网站,它的一些数据是通过ajax加载进来的一段json,它的value部分的内容是像下面这样子的:

%20%20%20%20%20%20%20%20%3Cdiv%20class%3D%22table-main%22%3E%0D%0A%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%3Cdiv%20class%3D%22table-column%22%3E%0D%0A%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%3Ctable%20class
复制代码

!!! 这是给人类阅读的吗???

明显不是!!!

不过这个自然是难不倒我们,显然是被urlencode转码了的嘛。因此通过urllib.parse.unquote便可以转回人类可阅读的形式了。

本以为这样便可以轻松拿到数据,结果一看后发现,还是图样图森破了。因为它的中文部分是这样的:

<td>%u5317%u4eac%u70e4%u9e2d</td>
复制代码

WHAT ???
这是存心为难我胖虎??

不过不用太紧张,根据我们的经验,也可以一眼就看出它是一段unicode编码,只不过是将 \ 反斜杠 被换成了 % 百分号。

那么问题来了,我们如何将一个str类型的%u5317%u4eac%u70e4%u9e2d 编码,转换成另一个str类型的中文呢?

在大量查阅了度娘之后,发现大部分的回答只是说如何将unicode编码转换成str,然而这个并不能解决我们这里遇到的问题。因为一段正常的unicode编码,是可以直接被python解释器给解释的,并不需要我们做其他的操作。例如:

In[2]:'\u5317\u4eac\u70e4\u9e2d'
Out[2]: '北京烤鸭'
复制代码

在寻找直接将其转换为中文的方法的道路上被堵死后,万般无奈,只好自己寻找一个解决方案。这里的解决思路记录如下:

  1. 从开发者的角度出发,将一段中文转成unicode编码
In[3]: '北京烤鸭'.encode('unicode-escape')
Out[3]: b'\\u5317\\u4eac\\u70e4\\u9e2d'
复制代码
  1. 转换完成后的结果是一个bytes类型,我们将其转换为str类型
In[4]: '北京烤鸭'.encode('unicode-escape').decode()
Out[4]: '\\u5317\\u4eac\\u70e4\\u9e2d'
复制代码
  1. 再用%百分号替换\\双反斜杠后,就得到了被转码的unicode类型字符串了
In[4]: '北京烤鸭'.encode('unicode-escape').decode().replace('\\','%')
Out[4]: '%u5317%u4eac%u70e4%u9e2d'
复制代码

amazing!! 只需要3步,就实现了这个转码需求,原来如此的简单!

那么结果也就不言而喻了,只需要将这三步给逆向回去,也就可以将一段unicode类型的str转换成中文了。

那么,开干吧!

In[5]: '%u5317%u4eac%u70e4%u9e2d'.replace('%','\\').encode().decode('unicode-escape')
Out[5]: '北京烤鸭'
复制代码

所以,一个查了几个小时度娘也没有解决的问题,通过这简单的几步就可以解决了!!!

转载于:https://juejin.im/post/5baef3f66fb9a05d1a12e61a

  • 2
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值