python - 将内容为utf-8字符串的unicode转成str

Question

我正在使用 pyquery 来解析页面:

dom = PyQuery('http://zh.wikipedia.org/w/index.php', {'title': 'CSS', 'printable': 'yes', 'variant': 'zh-cn'})
content = dom('#mw-content-text > p').eq(0).text()

但是我在 content 中得到的是一个带有 utf-8 编码内容的 unicode 字符串:

u'\xe5\xb1\x82\xe5\x8f\xa0\xe6\xa0\xb7\xe5\xbc\x8f\xe8\xa1\xa8...'

如何在不丢失内容的情况下将其转换为 str？

说清楚:

我想要 conent == '\xe5\xb1\x82\xe5\x8f\xa0\xe6\xa0\xb7\xe5\xbc\x8f\xe8\xa1\xa8'

不是 conent == u'\xe5\xb1\x82\xe5\x8f\xa0\xe6\xa0\xb7\xe5\xbc\x8f\xe8\xa1\xa8'

Answer 1

如果您有一个带有 UTF-8 字节的 unicode 值，请编码为 Latin-1 以保留“字节”:

content = content.encode('latin1')

因为 Unicode 代码点 U+0000 到 U+00FF 都与 latin-1 编码一对一映射；因此，这种编码将您的数据解释为文字字节。

对于你的例子，这给了我:

>>> content = u'\xe5\xb1\x82\xe5\x8f\xa0\xe6\xa0\xb7\xe5\xbc\x8f\xe8\xa1\xa8'
>>> content.encode('latin1')
'\xe5\xb1\x82\xe5\x8f\xa0\xe6\xa0\xb7\xe5\xbc\x8f\xe8\xa1\xa8'
>>> content.encode('latin1').decode('utf8')
u'\u5c42\u53e0\u6837\u5f0f\u8868'
>>> print content.encode('latin1').decode('utf8')
层叠样式表

PyQuery 使用 requests 或 urllib 来检索 HTML，对于 requests，使用响应的 .text 属性。这会单独根据 Content-Type header 中设置的编码自动解码响应数据，或者如果该信息不可用，则为此使用 latin-1(对于文本响应，但 HTML 是文本响应)。您可以通过传入 encoding 参数来覆盖它:

dom = PyQuery('http://zh.wikipedia.org/w/index.php', encoding='utf8',
              {'title': 'CSS', 'printable': 'yes', 'variant': 'zh-cn'})

此时您根本不需要重新编码。