mysql 导入 xc2 xa0_Python 字符串处理特殊空格xc2xa0tn Non-breaking space

今天遇到一个问题，使用python的find函数寻找字符串中的第一个空格时没有找到正确的位置，例如：

http://zc.whmc.edu.cn ==> 无法访问的网站或无效的招标网站

使用find(" ")函数寻找时找到的第一个空格对应在==>后面的那个位置。一开始觉得是编码问题，但是文件是用UTF-8编码的，按理说不应该产生编码问题，就用Sublime打开一看是这样的：

可以看到，我的Sublime设置了显示空白，所以第二个红线上方有一个白点，而第一个红线上方却没有，这说明第一个红线上方那个字符确实不是一个空格，也就是说函数的运行没有问题。但那个空格倒底是个什么东西呢？在Sublime中File-->Reopen with Encoding-->Hexadecimal打开文件可以看到是这样的：

在网上可以查到，==>对应的UTF-8编码是x3dx3dx3e，所以前面的那个神秘字符的编码就是xc2xa0，上网查到这是一个叫做Non-breaking space的东西，用于阻止在此处自动换行和阻止多个空格被压缩成一个。至于解决方法，先用subplace("xc2xa0", " ")把这个特殊的空格替换一下就行了。

去除特殊空格：xc2xa0

在去除空格的时候遇到一种情况：

a = '2 '

b = '3'

print a.split(),b

输出结果：

['2xc2xa0'] 3

在网上可以查到，==>对应的UTF-8编码是x3dx3dx3e，所以前面的那个神秘字符的编码就是xc2xa0，上网查到这是一个叫做Non-breaking space的东西，用于阻止在此处自动换行和阻止多个空格被压缩成一个。至于解决方法，先用subplace("xc2xa0", " ")

a = '2 '

b = '3'

print a.replace("xc2xa0", ""),b

输出结果：

python 爬虫爬取内容时， xa0 、 u3000 的含义与处理方法

处理方法

str.replace(u'xa0', u' ')

最近用 scrapy 爬某网站，发现拿到的内容里面含有 xa0 、 u3000 这样的字符，起初还以为是编码不对，搜了一下才知道是见识太少 233 。

xa0 是不间断空白符

我们通常所用的空格是 x20 ，是在标准ASCII可见字符 0x20~0x7e 范围内。

而 xa0 属于 latin1 (ISO/IEC_8859-1)中的扩展字符集字符，代表空白符nbsp(non-breaking space)。

latin1 字符集向下兼容 ASCII ( 0x20~0x7e )。通常我们见到的字符多数是 latin1 的，比如在 MySQL 数据库中。

这里也有一张简陋的Latin1字符集对照表。

u3000 是全角的空白符

根据Unicode编码标准及其基本多语言面的定义， u3000 属于CJK字符的CJK标点符号区块内，是空白字符之一。它的名字是 Ideographic Space ，有人译作表意字空格、象形字空格等。顾名思义，就是全角的 CJK 空格。它跟 nbsp 不一样，是可以被换行间断的。常用于制造缩进， wiki 还说用于抬头，但没见过。