目录
一、背景
爬虫的朋友,也许或多或少都遇见过以下问题:
昨天晚上,一个朋友突然给我发上上面的截图,并询问:
1.1引出问题1
为什么解码不行? 在此引入一篇文章《字符串和编码》
浏览网页的时候,服务器会把动态生成的Unicode内容转换为UTF-8再传输到浏览器:
Unicode是什么?
Unicode不是编码格式,而是字符集。这个字符集包含了世界上目前所有的符号。
另外,在原来有些字符可以用一个字节即8位来表示的,在Unicode将所有字符的长度全部统一为16位,因此字符是定长的。
Unicode是长这样的:
\u4e2d\u6587
测试代码:
>>> '\u4e2d'
'中'
>>> '中'
'中'
上面得出,你心中是否存在这样的疑问?
当然:很明显特吸引眼球的就是他们的前缀:&#x 与 \u !!! 为什么\u 可以直接得出编码后的结果而 &#x不可以?
这里我们就当作 &#x 是一个『编码』来询问一番!!!(注:仅仅是当作)
二、编码&解码区别
我们先来看一下decode 和 encode函数什么意思吧!
decode:
#!/usr/bin/python
str = "this is string example....wow!!!";
str = str.encode('base64','strict');
print "Encoded String: " + str;
print "Decoded String: " + str.decode('base64','strict')
#Encoded String: dGhpcyBpcyBzdHJpbmcgZXhhbXBsZS4uLi53b3chISE=
#Decoded String: this is string example....wow!!!
encode:
#!/usr/bin/python
str = "this is string example....wow!!!";
print "Encoded String: " + str.encode('base64','strict')
# Encoded String: dGhpcyBpcyBzdHJpbmcgZXhhbXBsZS4uLi53b3chISE=
三、编码&解码测试
Unicode编码&解码:
UTF-8编码&解码:
经过一轮测试,为什么还没有出现 &#x? 这个到底是什么?
四、编码方向询问
首先,我们先从上面演示的UTF-8编码入手:
b'\xe4\xb8\xad\xe5\x9b\xbd'
\x是什么?0x又是什么?
0x | 表示十六进制的int型变量 |
\x | 表示十六进制的字符型变量 |
'\x61' | 表示str型,ASCII码为十进制97的字符,即'a' |
0x61 | 表示int型的97 |
b'\x61' | 表示bytes型的b'a' |
\u与\x什么区别?
\u | \u之后跟4位十六进制数。取值范围:\u0000 到 \uffff |
\x | \x之后跟2位十六进制数。取值范围:\x00 到 \xff |
\xe4\xb8\xad 怎样计算才能变成 \u4e2d? ( ’中‘ 字 的Unicode编码和UTF-8编码 )
我们查阅Unicode-Table可得:
Unicode编码得出的结果居然与UTF-16编码如此类似!!!
实质上:由UTF全称可知(Unicode/UCS Transformation Format)即:Unicode转做某种格式的意思 => UTF-16是Unicode的其中一个使用方式!!!
注意:
万万不可以说UTF-16就是Unicode编码。因为Unicode是由2byte组成的,而大多数UTF-16也是又2byte组成的,但是也存在有4byte组成的。例如:中国文字大部份是两字节,有的是四字节!!!
根据资料《字符编码五层次模型》第三层可知:
Unicode值大于0x10FFFF不能按照UTF-16进行编码!
截图来源于《UTF-16 维基百科》
我们根据查看Unicode-Table可知道解码后的字符。
到了这里你是否就以为问题已经解决了?当然还没!!!我们上面仅仅是将其当作是编码来去寻找答案,我们最终的问题还没解决:&#x到底是什么? \u4e2d 与 中的区别?
五、解决问题
这个问题从『编码』方面想了很久,还是不能解决!!!最后再知乎上面看到一条评论
&#x它不是『编码』,而是SGML类语言的转义序列!!!
六、验证
from html.parser import HTMLParser
HTMLParser().unescape('中')
#'中'
成功解决!!!
参考文献:
『 廖雪峰官网=>Python 字符串和编码 』:https://www.liaoxuefeng.com/wiki/1016959663602400/1017075323632896
『 维基百科=>UTF-16 』:https://zh.wikipedia.org/wiki/UTF-16
『 Unicode Table 』:https://unicode-table.com/
『 知乎=> 评论 』:https://www.zhihu.com/question/21390312