HTML轉義字符&npsp；表示non-breaking space，unicode編碼為u'\xa0',超出gbk編碼范圍？

0.目錄

1.參考
2.問題定位
不間斷空格的unicode表示為 u\xa0',超出gbk編碼范圍？
3.如何處理
.extract_first().replace(u'\xa0', u' ').strip().encode('utf-8','replace')

 

1.參考

Beautiful Soup and Unicode Problems

詳細解釋

unicodedata.normalize('NFKD',string)  實際作用？？？

 

Scrapy : Select tag with non-breaking space with xpath

>>> selector.xpath(u'''
...     //p[normalize-space()]
...        [not(contains(normalize-space(), "\u00a0"))]

normalize-space() 實際作用？？？

 

In [244]: sel.css('.content')
Out[244]: [<Selector xpath=u"descendant-or-self::*[@class and contains(concat(' ', normalize-space(@class), ' '), ' content ')]" data=u'<p class="content text-

 

 

 

 

BeautifulSoup下Unicode亂碼解決 

s.replace(u'\xa0', u'').encode('utf-8')

 

2.問題定位

https://en.wikipedia.org/wiki/Comparison_of_text_editors

定位元素顯示為 &npsp；

 

網頁源代碼表示為  

<tr>
<td style="background: #FFD; color: black; vertical-align: middle; text-align: center;" class="partial table-partial">memory</td>
<td>= Limited by available memory &#160;&#160;</td>
<td style="background:#F99;vertical-align:middle;text-align:center;" class="table-no">No (64&#160;KB)</td>
<td>= Some limit less than available memory (give max size if known)</td>
</tr>
</table>

 

實際傳輸Hex為：

 

不間斷空格的unicode表示為 u\xa0'，保存的時候編碼 utf-8 則是 '\xc2\xa0'

In [211]: for tr in response.xpath('//table[8]/tr[2]'):
     ...:     print [u''.join(i.xpath('.//text()').extract()) for i in tr.xpath('./*')]
     ...:

[u'memory', u'= Limited by available memory \xa0\xa0', u'No (64\xa0KB)', u'= Some limit less than available memory (give max size if known)']

In [212]: u'No (64\xa0KB)'.encode('utf-8')
Out[212]: 'No (64\xc2\xa0KB)'

In [213]: u'No (64\xa0KB)'.encode('utf-8').decode('utf-8')
Out[213]: u'No (64\xa0KB)'

 

保存 csv 直接使用 excel 打開會有亂碼（默認ANSI gbk 打開？？？，u'\xa0' 超出 gbk 能夠編碼范圍？？？），使用記事本或notepad++能夠自動以 utf-8 正常打開。

 

使用記事本打開csv文件，另存為 ANSI 編碼，之后 excel 正常打開。超出 gbk 編碼范圍的替換為'?'

 

3.如何處理

.extract_first().replace(u'\xa0', u' ').strip().encode('utf-8','replace')