我目前使用美麗的湯來解析一個HTML文件，並呼籲get_text()，但它似乎是我留下了很多\ xa0代表空格的Unicode。有沒有一種有效的方法在Python 2.7中刪除它們，並將它們更改爲空格？我想更普遍的問題是，有沒有辦法去除Unicode格式？Python：從字符串中刪除 xa0？
我試過使用：line = line.replace(u'\xa0',' ')，正如另一個線程所建議的那樣，但是把\ xa0改成了u，所以現在我到處都是「u」。 ）：
編輯：問題似乎通過str.replace(u'\xa0', ' ').encode('utf-8')解決，但只是做.encode('utf-8')沒有replace()似乎導致它吐出甚至超出字符，\ xc2例如。任何人都可以解釋嗎？
嘗試：
string.replace('\\xa0', ' ')
@RyanMartin：替換**四個字節**：len（b'\\ xa0'）== 4'但是len（b'\ xa0'）== 1'。如果可能的話;你應該修復產生這些轉義的上游。 – jfs
0XA0（Unicode）的是在0xC2A0 UTF-8。 .encode('utf8')只會將您的Unicode 0xA0替換爲UTF-8的0xC2A0。因此，0xC2s的幻影......編碼並沒有取代，因爲你現在可能已經意識到了。
'0xc2a0'不明確（字節順序）。改爲使用'b'\ xc2 \ xa0''字節。 – jfs
\ xa0實際上是拉丁文1（ISO 8859-1）中的非破壞性空間，也是chr（160）。你應該用空格替換它。
string = string.replace(u'\xa0', u' ')
當.encode（ 'UTF-8'），其將編碼的Unicode的爲UTF-8，這意味着每個unicode可通過1至4個字節來表示。對於這種情況，\ xa0由2個字節\ xc2 \ xa0表示。
我不知道有關Unicode和字符編碼的大量數據，但它看起來像[unicodedata.normalize]（http://docs.python.org/2/library/unicodedata.html#unicodedata.normalize）將是比str.replace更合適 – dbr
你的字符串是可行的建議，但是請注意，對這個字符串的所有引用也需要被替換。例如，如果您有一個打開文件的程序，並且其中一個文件的名稱中有一個非中斷空間，則除了執行此替換操作之外，還需要*重命名該文件。 – g33kz0r
[U + 00a0是一個不可破壞的空格Unicode字符]（http://codepoints.net/U+00a0），可以用latin1編碼將其編碼爲'b'\ xa0''字節，如兩個字節'b' \ xc2 \ xa0''以utf-8編碼。它可以用html表示爲' '。 – jfs
我遇到了這個問題，用python從sqlite3數據庫中提取一些數據。上面的答案對我來說不起作用（不知道爲什麼），但是確實如此：line = line.decode('ascii', 'ignore')但是，我的目標是刪除\ xa0s，而不是用空格替換它們。
我這裏就結束了，而谷歌搜索與不可打印字符的問題得到了這一點。我使用MySQL UTF-8general_ci並處理波蘭語。對於有問題的字符串我必須procced如下：
text=text.replace('\xc2\xa0', ' ')
這只是快速的解決方法，你probablly應該嘗試用正確的編碼設置的東西。
如果'text'是一個表示使用utf-8編碼的文本的字符串，這將起作用如果您正在處理文本;先將它解碼爲Unicode（'.decode（'utf-8'）'）並進行編碼它只在最後一個字節串（如果API不直接支持Unicode，例如'socket'）。文本上的所有中間操作應該以Unicode編碼。 – jfs
在Beautiful Soup中，您可以傳遞get_text() strip參數，該參數從文本的開頭和結尾剝離空白區域。這將刪除\xa0或任何其他空白，如果它出現在字符串的開頭或結尾。美麗的湯用\xa0替換了一個空字符串，這解決了我的問題。
mytext = soup.get_text(strip=True)
'strip = True'只有在' '處於文本的每一位的開始或結尾，如果它位於文本中的其他字符之間，則不會刪除該空格。 – jfs
嘗試使用.strip（）在您的線路 line.strip()結束工作很適合我
有一個在Python的unicodedata庫很多有用的東西。其中之一是.normalize()功能。
嘗試：
new_str = unicodedata.normalize("NFKD", unicode_str)
與任何上面，如果你沒有得到你之後的結果鏈接列出的其他方法更換NFKD。
這太棒了。這應該是被接受的答案。 – Houman
完全同意。簡單，清晰，簡短並且重點突出。豎起大拇指。 –
這個伎倆。有一些HTML生成...微軟Word有很多奇怪的Unicode字符，並以某種方式清除它們。 –
試試這個代碼
import re
re.sub(r'[^\x00-\x7F]+','','paste your string here').decode('utf-8','ignore').strip()
嘗試幾種方法後，總結它，這是我做到了。以下是避免/從解析的HTML字符串中移除\ xa0個字符的兩種方法。
假設我們有原始的HTML如下：
raw_html = '<p>Dear Parent, </p><p><span style="font-size: 1rem;">This is a test message, </span><span style="font-size: 1rem;">kindly ignore it. </span></p><p><span style="font-size: 1rem;">Thanks</span></p>'
所以讓我們嘗試清除該HTML字符串：
from bs4 import BeautifulSoup
raw_html = '<p>Dear Parent, </p><p><span style="font-size: 1rem;">This is a test message, </span><span style="font-size: 1rem;">kindly ignore it. </span></p><p><span style="font-size: 1rem;">Thanks</span></p>'
text_string = BeautifulSoup(raw_html, "lxml").text
print text_string
#u'Dear Parent,\xa0This is a test message,\xa0kindly ignore it.\xa0Thanks'
上面的代碼字符串中產生這些字符\ XA0。要正確刪除它們，我們可以使用兩種方法。
方法＃1（推薦）： 第一個是BeautifulSoup的get_text方法與條參數作爲真 因此，我們的代碼變爲：
clean_text = BeautifulSoup(raw_html, "lxml").get_text(strip=True)
print clean_text
# Dear Parent,This is a test message,kindly ignore it.Thanks
方法＃2： 另一種選擇是使用Python的庫unicodedata
import unicodedata
text_string = BeautifulSoup(raw_html, "lxml").text
clean_text = unicodedata.normalize("NFKD",text_string)
print clean_text
# u'Dear Parent,This is a test message,kindly ignore it.Thanks'
我也詳細介紹了這些方法on this blog你可能想參考。
'str.replace（'\ xa0'，''）'？ –
已經嘗試過，'ascii'編解碼器無法解碼位置0中的字節0xa0：序號不在範圍內（128） – zhuyxn
包含Unicode。使用'''''而不是'''s。 :-) – jpaugh