html解析中遇到的&#开头的unicode编码字符串的处理和转换 - Python

kr

发布于 2022-06-15 18:01:19

10.3K00

代码可运行

文章被收录于专栏：个人教程个人教程

运行总次数：0

代码可运行

用lxml库处理网页时遇到的，写个转换程序用用。 注：ASCII转unicode和中文转unicode是两个东西（起码在unicode在线转换网站上这两个不同），虽然说是中文，其实输入英文字母也没问题（表述可能不够准确，但大概是那么个意思）。

原理

常见的unicode编码格式如下：

\u670d\u52a1\u5668

如果换成&#开头的格式如下：

&#26381;&#21153;&#22120;

其实这两个是同一个东西，只是开头和进制不同

十六进制	十进制	unicode转中文
670d	26381	服
52a1	21153	务
5668	22120	器

代码

测试代码

print(ord('服'))
print(ord('务'))
print(ord('器'))

# 控制台打印
# 26381
# 21153
# 22120

print(chr(26381))
print(chr(21153))
print(chr(22120))

# 控制台打印
# 服
# 务
# 器

转换代码

中文转&#格式unicode编码字符串

# 输入中文，输出str类型的&#开头的unicode编码数据
def zh2uni(zhDat):
    rDat = ""
    for n in zhDat:
        rDat = rDat + '&#' + str(ord(n)) + ';'
    
    return rDat

print(zh2uni('服务器'))

# 控制台打印
# &#26381;&#21153;&#22120;

&#格式unicode编码字符串转中文

def uni2zh(uniDat):
    rDat = ''
    while True:
        if len(uniDat) == 0:
            break
        rDat = rDat + chr(int(uniDat[2:7]))
        uniDat = uniDat[8:]
    return rDat

print(uni2zh('&#26381;&#21153;&#22120;'))

# 控制台打印
# 服务器

本文参与腾讯云自媒体同步曝光计划，分享自作者个人站点/博客。

原始发表：2022 年 04 月，如有侵权请联系 cloudcommunity@tencent.com 删除

unicode