(一)
爬虫时经常遇到'/u'开头的unicode编码的字符串，这时通过decode()来解决.
但偶尔也会遇到以‘&#’ 或者‘&#x’开头的字符串， 这是HTML、XML 等 SGML 类语言的转义序列（escape sequence）。它们不是「编码」。
如果以‘&#‘ 开头，后接十进制数字，
如果以‘&#x’开头，后接十六进制数字。
importhtml
a ='外观'
print(html.unescape(a))
# 输出：外观
希望对你有用
(二)
Python处理HTML转义字符
在抓网页数据经常遇到例如>或者 这种HTML转义符，抓到字符串里很是烦人。
比方说一个从网页中抓到的字符串
p ='<abc>'
用Python可以这样处理：
import html
p ='<abc>'txt= html.unescape(p)print(txt)
#这样就得到了txt= ''
如果还想转回去，可以这样：
import cgi
q = cgi.escape(html)print(q)
#这样又回到了 html = '<abc>'
网友评论