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

2. 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

3. 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