解码'原始'字符串转换为unicode

Question

我有脚本获取一些数据并通过lxml解析它。

最初它有lxml.etree._ElementUnicodeResult类型，但我们可以很容易地将其转换为unicode。

有一些危险的时刻。 此unicode字符串包含字符串的原始字节。虽然它的类型为unicode，但它保留了通常python str的原始字节。

label 
Out[53]: u'\xd0\x92\xd0\xbb\xd0\xb0\xd0\xb4\xd0\xb8\xd0\xbc\xd0\xb8\xd1\x80' 

有什么办法这个unicode字符串的原始字节转换为原始字节实际上（str类型的蟒蛇2）。

我可以很容易地将其复制并粘贴到交互式控制台，实际上将其转换为Unicode点：

'\xd0\x92\xd0\xbb\xd0\xb0\xd0\xb4\xd0\xb8\xd0\xbc\xd0\xb8\xd1\x80' 
Out[54]: '\xd0\x92\xd0\xbb\xd0\xb0\xd0\xb4\xd0\xb8\xd0\xbc\xd0\xb8\xd1\x80' 

'\xd0\x92\xd0\xbb\xd0\xb0\xd0\xb4\xd0\xb8\xd0\xbc\xd0\xb8\xd1\x80'.decode('utf-8') 
Out[55]: u'\u0412\u043b\u0430\u0434\u0438\u043c\u0438\u0440' 

Answer 1

编码使用“Latin-1的”编码，这通过直截了当U + 00FF的256个字符U + 0000映射到单个字节的字符串。

>>> s = u'\xd0\x92\xd0\xbb\xd0\xb0\xd0\xb4\xd0\xb8\xd0\xbc\xd0\xb8\xd1\x80' 
>>> s.encode('latin-1') 
b'\xd0\x92\xd0\xbb\xd0\xb0\xd0\xb4\xd0\xb8\xd0\xbc\xd0\xb8\xd1\x80' 

Answer 2

这是否帮助？

str1 = repr(u'\xd0\x92\xd0\xbb\xd0\xb0\xd0\xb4\xd0\xb8\xd0\xbc\xd0\xb8\xd1\x80') 
print type(str1) 
print str1 
# or 
print str1[1:] 

Answer 3

您的Unicode字符串被错误的编解码器解码。它看起来像latin1。您可以使用相同的错误编解码器重新编码它，然后使用正确的解码器进行解码。

s = u'\xd0\x92\xd0\xbb\xd0\xb0\xd0\xb4\xd0\xb8\xd0\xbc\xd0\xb8\xd1\x80' 
print(s.encode('latin1').decode('utf8')) 

输出：

Владимир 

更重要的是，在第一时间正确地解码它; ^）