Hướng dẫn â€tm instead of python - â€tm thay vì trăn
Vấn đề của bạn là dấu nháy đơn đang bị hiểu sai không phải là một ký tự dấu nháy đơn bình thường 0 và 1). Show Vì bạn chưa hiển thị nhiều mã, tôi không thể đưa ra bất kỳ đề xuất nào về cách khắc phục sự cố giải mã, nhưng có lẽ có cách yêu cầu Selenium sử dụng UTF-8 (tôi thực sự ngạc nhiên là mặc định). Ngoài ra, bạn có thể có được các byte thô và tự giải mã văn bản. Mặc dù tốt nhất là tránh việc mã hóa sai, nhưng nếu bạn thực sự cần sửa các chuỗi của mình sau khi chúng được chuyển sang Mojibake, thì cách tiếp cận tốt nhất có lẽ là để mã hóa lại chúng giống như cách chúng được mã hóa sai, sau đó Giải mã lại, chính xác lần này: CẬP NHẬT: Bạn không chỉ có thể sửa lỗi Unicode với Python, bạn còn có thể sửa lỗi của Unicode với gói Python nguồn mở của chúng tôi, FTFY. Not only can you fix Unicode mistakes with Python, you can fix Unicode mistakes with our open source Python package, “ftfy”. Bạn gần như chắc chắn đã thấy văn bản trên một máy tính trông giống như & nbsp; cái này:
Ở đâu đó, một máy tính đã nắm giữ một danh sách các số được dự định tạo thành một trích dẫn và đã làm một cái gì đó rõ ràng không đẹp mắt với nó. Một người đọc có thể suy luận rằng nó thực sự được cho là nói & nbsp; điều này:
Ở đây, những gì mà xảy ra. Một máy tính hiện đại có khả năng hiển thị văn bản sử dụng hơn 100.000 ký tự khác nhau, nhưng thật không may, văn bản đôi khi đi qua một chương trình cũ đáng tin cậy tin rằng chỉ có 256 rằng nó có thể phù hợp với một byte duy nhất. Chương trình không thậm chí còn bận tâm để kiểm tra mã hóa văn bản là gì; Nó chỉ sử dụng mã hóa yêu thích của riêng mình và biến một loạt các ký tự thành các chuỗi hoàn toàn khác nhau & nbsp; các ký tự. Bây giờ, bạn không phải là lập trình viên gây ra các vấn đề mã hóa, phải không? Bởi vì bạn đã đọc một cái gì đó như Joel Spolsky, mức tối thiểu tuyệt đối mà mọi nhà phát triển hoàn toàn, tích cực phải biết về các bộ unicode và nhân vật hoặc python unicode howto và bạn đã học được sự khác biệt giữa văn bản và bytestrings và cách nhận chúng.HOWTO and you’ve learned the difference between text and bytestrings and how to get them right. Nhưng vấn đề là đôi khi bạn có thể phải xử lý văn bản xuất phát từ mã khác. Chúng tôi đối phó với điều này rất nhiều tại Luminoso, nơi văn bản mà khách hàng của chúng tôi muốn chúng tôi phân tích thường được chuyển qua một số phần mềm khác nhau, mỗi phần có những điều kỳ quặc của riêng họ, có thể với Microsoft Office ở đâu đó trong chuỗi & nbsp; Vì vậy, bài đăng này không phải là về cách làm đúng. Nó nói về một công cụ mà chúng tôi đã đưa ra để kiểm soát thiệt hại sau khi một số chương trình khác không sai. Nó phát hiện một số lỗi mã hóa phổ biến nhất và làm những gì có thể để hoàn tác & nbsp; chúng. Ở đây, loại sai lầm của Unicode mà chúng tôi đã sửa lỗi.
Ba codec được kiểm soát phổ biến nhất là UTF-8, Latin-1 và Windows-1252. Có rất nhiều codec khác được sử dụng trên thế giới, nhưng chúng rõ ràng là rất khác với ba code này đến nỗi mọi người đều có thể nói khi họ đã sai. Chúng tôi sẽ tập trung vào việc sửa chữa các trường hợp trong đó văn bản được mã hóa là một trong ba codec này và được giải mã AS & nbsp; khác.UTF-8, Latin-1, and Windows-1252. There are lots of other codecs in use in the world, but they are so obviously different from these three that everyone can tell when they’ve gone wrong. We’ll focus on fixing cases where text was encoded as one of these three codecs and decoded as another. Đầu tiên & nbsp; cố gắng thánhKhi bạn nhìn vào loại rác mà Lừa được sản xuất bởi quá trình này, các chuỗi nhân vật có vẻ rất xấu xí và vô nghĩa đến nỗi bạn có thể thay thế bất cứ thứ gì trông giống như nó phải là UTF-8. Chỉ cần tìm các chuỗi đó, thay thế chúng vô điều kiện bằng những gì chúng sẽ ở UTF-8 và bạn đã hoàn thành. Trên thực tế, đó là những gì phiên bản đầu tiên của tôi đã làm. Bỏ qua một loạt các trường hợp cạnh và xử lý lỗi, nó trông giống như & nbsp; cái này:UTF-8. Just find those sequences, replace them unconditionally with what they would be in UTF-8, and you’re done. In fact, that’s what my first version did. Skipping a bunch of edge cases and error handling, it looked something like this:
Một unicode thông minh & nbsp; fixer¶Bởi vì văn bản được mã hóa thực sự có thể mơ hồ, chúng ta phải tìm hiểu xem văn bản tốt hơn khi chúng ta sửa nó hay khi chúng ta để nó một mình. Mark Pilgrim đáng kính có cái nhìn sâu sắc quan trọng khi thảo luận về Chardet & NBSP; Mô -đun:
Lý do từ ngữ bront 녔 녔 rất sai là vì năm ký tự đầu tiên là các chữ cái La Mã, trong khi bản cuối cùng là Hangul, và hầu hết các từ trong hầu hết các ngôn ngữ đều không trộn lẫn hai tập lệnh khác nhau như & nbsp; Đây là nơi thư viện tiêu chuẩn Python bắt đầu tỏa sáng. & NBSP; Mô -đun 2 có thể cho chúng tôi biết rất nhiều điều chúng tôi muốn biết về bất kỳ & nbsp;
Bây giờ chúng ta có thể viết một trình sửa chữa unicode phức tạp hơn nhưng nguyên tắc hơn nhiều bằng cách tuân theo một số quy tắc của & nbsp; ngón tay cái:
Điều đó dẫn chúng ta đến một trình sửa chữa unicode hoàn chỉnh áp dụng các quy tắc này. Nó thực hiện một công việc tuyệt vời trong việc sửa chữa các tập tin chứa đầy từng dòng, chẳng hạn như danh sách tần số tiếng Tây Ban Nha của Đại học Leeds Unicode không chính xác trên & nbsp; web. Mã chúng tôi đến xuất hiện dưới đây. (Nhưng khi tôi chỉnh sửa bài đăng này sáu năm sau, tôi nên nhắc nhở bạn rằng đây là năm 2012!
Bạn có thể sử dụng Unicode trong Python không?Loại chuỗi của Python sử dụng tiêu chuẩn Unicode để biểu diễn các ký tự, cho phép các chương trình Python hoạt động với tất cả các ký tự có thể khác nhau này., which lets Python programs work with all these different possible characters.
Unicode Escape Python là gì?Các trình xử lý này được gọi bất cứ khi nào một vấn đề hoặc lỗi xảy ra trong quá trình mã hóa hoặc giải mã chuỗi hoặc văn bản đã cho.Để bao gồm các ký tự Unicode trong chương trình Python, trước tiên chúng tôi sử dụng ký hiệu Escape Unicode \ u trước bất kỳ chuỗi nào, có thể được coi là biến loại Unicode.invoked whenever a problem or error occurs in the process of encoding or decoding the string or given text. To include Unicode characters in the Python program, we first use Unicode escape symbol \u before any string, which can be considered as a Unicode-type variable.
Mã hóa Python là gì?Vì Python 3.0, các chuỗi được lưu trữ dưới dạng unicode, tức là mỗi ký tự trong chuỗi được biểu thị bằng một điểm mã.Vì vậy, mỗi chuỗi chỉ là một chuỗi các điểm mã Unicode.Để lưu trữ hiệu quả các chuỗi này, chuỗi các điểm mã được chuyển đổi thành một tập hợp các byte.Quá trình được gọi là mã hóa.the sequence of code points is converted into a set of bytes. The process is known as encoding. |