我目前使用美丽的汤来解析一个HTML文件，并呼吁get_text()，但它似乎是我留下了很多\ xa0代表空格的Unicode。有没有一种有效的方法在Python 2.7中删除它们，并将它们更改为空格？我想更普遍的问题是，有没有办法去除Unicode格式？Python：从字符串中删除 xa0？
我试过使用：line = line.replace(u'\xa0',' ')，正如另一个线程所建议的那样，但是把\ xa0改成了u，所以现在我到处都是“u”。 ）：
编辑：问题似乎通过str.replace(u'\xa0', ' ').encode('utf-8')解决，但只是做.encode('utf-8')没有replace()似乎导致它吐出甚至超出字符，\ xc2例如。任何人都可以解释吗？
尝试：
string.replace('\\xa0', ' ')
@RyanMartin：替换**四个字节**：len（b'\\ xa0'）== 4'但是len（b'\ xa0'）== 1'。如果可能的话;你应该修复产生这些转义的上游。 – jfs
0XA0（Unicode）的是在0xC2A0 UTF-8。 .encode('utf8')只会将您的Unicode 0xA0替换为UTF-8的0xC2A0。因此，0xC2s的幻影......编码并没有取代，因为你现在可能已经意识到了。
'0xc2a0'不明确（字节顺序）。改为使用'b'\ xc2 \ xa0''字节。 – jfs
\ xa0实际上是拉丁文1（ISO 8859-1）中的非破坏性空间，也是chr（160）。你应该用空格替换它。
string = string.replace(u'\xa0', u' ')
当.encode（ 'UTF-8'），其将编码的Unicode的为UTF-8，这意味着每个unicode可通过1至4个字节来表示。对于这种情况，\ xa0由2个字节\ xc2 \ xa0表示。
我不知道有关Unicode和字符编码的大量数据，但它看起来像[unicodedata.normalize]（http://docs.python.org/2/library/unicodedata.html#unicodedata.normalize）将是比str.replace更合适 – dbr
你的字符串是可行的建议，但是请注意，对这个字符串的所有引用也需要被替换。例如，如果您有一个打开文件的程序，并且其中一个文件的名称中有一个非中断空间，则除了执行此替换操作之外，还需要*重命名该文件。 – g33kz0r
[U + 00a0是一个不可破坏的空格Unicode字符]（http://codepoints.net/U+00a0），可以用latin1编码将其编码为'b'\ xa0''字节，如两个字节'b' \ xc2 \ xa0''以utf-8编码。它可以用html表示为' '。 – jfs
我遇到了这个问题，用python从sqlite3数据库中提取一些数据。上面的答案对我来说不起作用（不知道为什么），但是确实如此：line = line.decode('ascii', 'ignore')但是，我的目标是删除\ xa0s，而不是用空格替换它们。
我这里就结束了，而谷歌搜索与不可打印字符的问题得到了这一点。我使用MySQL UTF-8general_ci并处理波兰语。对于有问题的字符串我必须procced如下：
text=text.replace('\xc2\xa0', ' ')
这只是快速的解决方法，你probablly应该尝试用正确的编码设置的东西。
如果'text'是一个表示使用utf-8编码的文本的字符串，这将起作用如果您正在处理文本;先将它解码为Unicode（'.decode（'utf-8'）'）并进行编码它只在最后一个字节串（如果API不直接支持Unicode，例如'socket'）。文本上的所有中间操作应该以Unicode编码。 – jfs
在Beautiful Soup中，您可以传递get_text() strip参数，该参数从文本的开头和结尾剥离空白区域。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。美丽的汤用\xa0替换了一个空字符串，这解决了我的问题。
mytext = soup.get_text(strip=True)
'strip = True'只有在' '处于文本的每一位的开始或结尾，如果它位于文本中的其他字符之间，则不会删除该空格。 – jfs
尝试使用.strip（）在您的线路 line.strip()结束工作很适合我
有一个在Python的unicodedata库很多有用的东西。其中之一是.normalize()功能。
尝试：
new_str = unicodedata.normalize("NFKD", unicode_str)
与任何上面，如果你没有得到你之后的结果链接列出的其他方法更换NFKD。
这太棒了。这应该是被接受的答案。 – Houman
完全同意。简单，清晰，简短并且重点突出。竖起大拇指。 –
这个伎俩。有一些HTML生成...微软Word有很多奇怪的Unicode字符，并以某种方式清除它们。 –
试试这个代码
import re
re.sub(r'[^\x00-\x7F]+','','paste your string here').decode('utf-8','ignore').strip()
尝试几种方法后，总结它，这是我做到了。以下是避免/从解析的HTML字符串中移除\ xa0个字符的两种方法。
假设我们有原始的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>'
所以让我们尝试清除该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'
上面的代码字符串中产生这些字符\ XA0。要正确删除它们，我们可以使用两种方法。
方法＃1（推荐）： 第一个是BeautifulSoup的get_text方法与条参数作为真 因此，我们的代码变为：
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： 另一种选择是使用Python的库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'
我也详细介绍了这些方法on this blog你可能想参考。
'str.replace（'\ xa0'，''）'？ –
已经尝试过，'ascii'编解码器无法解码位置0中的字节0xa0：序号不在范围内（128） – zhuyxn
包含Unicode。使用'''''而不是'''s。 :-) – jpaugh