有的时候我们用python来抓取网页会得到类似 '\\u003C\\u0066\\u0072\\u006F\\u006D\\u003E' 或者 '%u003c%u0062%u0072%u003e%u003c%u0064%u0069%u0076%u0020%u0063%u006c......' 那么应该怎么处理呢？
python
这种情况就是把 unicode直接输出到文本中了，现在需要把它还原回去。
解决：
In [23]: s1 Out[23]: '\\u003C\\u0066\\u0072\\u006F\\u006D\\u003E' In [24]: s2 Out[24]: '%u003c%u0062%u0072%u003e%u003c%u0064%u0069%u0076%u0020%u0063%u006c......' In [25]: print s1.decode('unicode-escape') <from> In [26]: print s2.replace("%", "\\").decode('unicode-escape') <br><div cl......
另一种方式是使用json
def to_chinese(unicode_str): x = json.loads('{"chinese":"%s"}' % unicode_str) return x['chinese']
php
$str = preg_replace("/\\\\u([0-9a-f]{3,4})/i", "&#x\\1;", $str); $str = html_entity_decode($str, null, 'UTF-8');
posted @ 2020-04-16 16:51 komomon 阅读(825) 评论(0) 编辑 收藏 举报
