记录一个开头带有&#x的特征数据的解码（记录开头怎么写）

记录一个开头带有&#x的特征数据的解码（记录开头怎么写）

本篇文章很短，只是作为一个小技巧分享

今天在分析某网站的时候，遇到一个神奇的编码，如下

13555555555

不管我怎么搞都解码不出来，查了下，说的是在 Node 层利用 cheerio 解析网页时，输出的中文内容都是以  开头的一堆像乱码一样的东西，尝试过各种编码都无效，而且神奇的是，将这一堆“乱码”保存成网页后，通过浏览器打开又可以正常显示，凭我多年的爬虫分析经验来看，这应该就是我要的东西，并不是随机生成的，想了很久，我突然想起了一种html的页码表现形式，有没有觉得很像那种html的特征码，比如 空格就是     以上的数据，格式是是不是非常像

搜了下，说的是这种形式是numeric character reference，数字取值为目标字符的 Unicode code point；以「」开头的后接十进制数字，「」开头的后接十六进制数字。

从 HTML4 开始，numeric character reference 以 Unicode 为准，与文档编码无关。

我突然想起，之前遇到过一个网站，他的数据就是这样的，用lxml库里的fromtring就可以解析出来

于是：

from lxml.html import formstring

s = '13555555555'

print(fromstring(s).text)

'13555555555'

后面发现，其实还有一种方法可以解决：

1

2

3

4

s = '13555555555'

k = s.replace(';', '').replace('', r'\u00').encode('utf-8').decode('unicode-escape')

pirnt(k)

# '13555555555'

unicode-escape和unicode是同级别的一种字符集，但是很少用，针对一些特殊情况时会用，其实还有string-escape，其实这两个我搜了下资料，感觉看了跟没看一样，我写这个博客的5分钟以前看了的，我现在都忘了说的啥了，反正说白了就是在解析一些数据无法正常解析时，就可以使用unicode-escape

顺便一说，在解析时的编码，如果utf-8，gbk，gb2312都无法解析，可以用gb18030解码

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。