我目前正在使用Beautiful Soup来解析HTML文件并调用get_text()，但似乎我留下了很多\xa0 Unicode表示空格。在python2.7中是否有一种有效的方法将它们全部删除，并将它们更改为空格?我想更普遍的问题应该是，有没有办法移除Unicode格式?
我尝试使用:line = line。replace(u'\xa0'，' ')，正如另一个线程所建议的那样，但这将\xa0改为u，所以现在我到处都是“u”。)：
编辑:这个问题似乎可以通过str.replace(u'\xa0'， ' ').encode('utf-8')来解决，但是仅仅使用.encode('utf-8')而不使用replace()似乎会导致它吐出更奇怪的字符，例如\xc2。有人能解释一下吗?
当前回答
Python的unicodedata库中有很多有用的东西。其中之一是.normalize()函数。
Try:
new_str = unicodedata.normalize("NFKD", unicode_str)
如果你没有得到你想要的结果，用上面链接中列出的任何其他方法替换NFKD。
其他回答
Python的unicodedata库中有很多有用的东西。其中之一是.normalize()函数。
Try:
new_str = unicodedata.normalize("NFKD", unicode_str)
如果你没有得到你想要的结果，用上面链接中列出的任何其他方法替换NFKD。
\xa0在拉丁语1 (ISO 8859-1)中实际上是不间断空格，也叫chr(160)。你应该把它换成空格。
字符串=字符串。替换(u'\xa0'， u' ')
当.encode('utf-8')时，它将unicode编码为utf-8，这意味着每个unicode可以由1到4个字节表示。在本例中，\xa0由2字节\xc2\xa0表示。
阅读http://docs.python.org/howto/unicode.html。
请注意:这个答案在2012年，Python已经前进，你应该能够使用unicodedata。现在正常
带有正则表达式的通用版本(它将删除所有控制字符):
import re
def remove_control_chart(s):
return re.sub(r'\\x..', '', s)
在Beautiful Soup中，您可以将strip参数传递给get_text()，该参数将删除文本开头和结尾的空白。这将删除\xa0或任何其他空白，如果它出现在字符串的开头或结尾。Beautiful Soup将空字符串替换为\xa0，这为我解决了问题。
mytext = soup.get_text(strip=True)
尝试在行尾使用.strip() Line.strip()很适合我
