<dt>学科主题:</dt>
<dd><a href="openlink.php?keyword=%E9%95%BF%E7%AF%87%E5%B0%8F%E8%AF%B4">长篇小说</a>-中国-当代</dd>
</dl>
<dl class="booklist">
<dt>中图法分类号:</dt>
<dd><a href="openlink.php?coden=I247.5">I247.5</a></dd>
</dl>
<dl class="booklist">
<dt>提要文摘附注:</dt>
<dd>小说中的主人公,正是因为当年盗墓的爷爷人赘杭州而身在杭州,开了一家小的古董铺子,守护着那群长沙土夫子从古墓不知名怪物捭中拼命抢出的战国帛书……</dd>
</dl>
# tested under python3.4
def convert(s):
s = s.strip('&#x;') # 把'长'变成'957f'
s = bytes(r'\u' + s, 'ascii') # 把'957f'转换成b'\\u957f'
return s.decode('unicode_escape') # 调用bytes对象的decode,encoding用unicode_escape,把b'\\u957f'从unicode转义编码解码成unicode的'长'。具体参见codecs的文档
print(convert('长')) # => '长'
全篇替换
import re
print(re.sub(r'&#x....;',
lambda match: convert(match.group()),
ss))
全文替换后的结果:
<dt>学科主题:</dt>
<dd><a href="openlink.php?keyword=%E9%95%BF%E7%AF%87%E5%B0%8F%E8%AF%B4">长篇小说</a>-中国-当代</dd>
</dl>
<dl class="booklist">
<dt>中图法分类号:</dt>
<dd><a href="openlink.php?coden=I247.5">I247.5</a></dd>
</dl>
<dl class="booklist">
<dt>提要文摘附注:</dt>
<dd>小说中的主人公,正是因为当年盗墓的爷爷人赘杭州而身在杭州,开了一家小的古董铺子,守护着那群长沙土夫子从古墓不知名怪物捭中拼命抢出的战国帛书……</dd>
# for python2.7
def convert(s):
return ''.join([r'\u', s.strip('&#x;')]).decode('unicode_escape')
ss = unicode(ss, 'gbk') # convert gbk-encoded byte-string ss to unicode string
import re
print re.sub(r'&#x....;', lambda match: convert(match.group()), ss)
这个是 charref
, HTML 的解析库都可以处理好, 不需要手工处理.
Python 标准库有 HTMLParser
(html.parser
in Python 3)
第三方库推荐 BeautifulSoup
本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:Python 爬虫遇到形如 小说 的编码如何转换为中文? - Python技术站