帮助在Python中替换非ASCII字符

Question

我有一堆用Python的HTTPLIB2库下载的HTML文件。里面的空格显示成了'Â '。

<font color="#ff0000">02/12/2004Â </font> is showing while <font color="#ff0000">02/12/2004&nbsp;</font> is the desired format.

我该怎么在Python中把'Â '替换成' '呢？非常感谢！

Answer 1

s.replace('Â ', ' ');

不过，虽然我没有用过HTTPLIB2，但我可以肯定，如果你下载HTML文件时文件的内容发生了变化，那肯定是出了问题。可能是解码时出现了问题。你用的是什么版本的Python？如果是Python 3，内容会是字节序列，而不是字符串，所以你需要指定正确的编码方式来解码这些字节。

http://code.google.com/p/httplib2/wiki/ExamplesPython3

补充：如果你不局限于使用httplib2，或许可以考虑使用Python 2.6标准库中的urllib、urllib2或httplib模块？

Answer 2

filtered_content = filter(lambda x: x in string.printable, content)

这个解决了我的问题。谢谢你！

Answer 3

你遇到了编码问题。与其试着去删除那些字符，不如先找出这个页面的编码方式。然后在读取文件时，使用codecs模块，而不是用open()，这样可以确保使用正确的字符编码。