&#x开头的是什么编码呢？？？

最新推荐文章于 2025-02-02 06:09:56 发布

原创最新推荐文章于 2025-02-02 06:09:56 发布 · 5.6k 阅读

6 ·

CC 4.0 BY-SA版权

python 专栏收录该内容

153 篇文章

订阅专栏

本文深入探讨了HTML、XML等SGML语言中的转义序列，包括numeric character reference和character entity reference，讲解了这些序列在不同编码环境下的作用，并提供了Python处理&#X开头字符串的具体方法。

做爬虫的时候，拿到的页面有可能大面积出现类似这样的字符&#dddd;&#xhhhh;&#name; HTM，这些字符是HTMLL、XML 等 SGML 类语言的转义序列（escape sequence）。它们不是「编码」。

以 HTML 为例，这三种转义序列都称作 character reference：

前两种是 numeric character reference（NCR），数字取值为目标字符的 Unicode code point；以「&#」开头的后接十进制数字，以「&#x」开头的后接十六进制数字。
后一种是 character entity reference，后接预先定义的 entity 名称，而 entity 声明了自身指代的字符。

numeric character reference（NCR），直译就是数字字符引用。一个Numeric Character Reference编码是由一个与号(&)跟着一个井号(#)，然后跟着这个字符的Unicode编码值，最后跟着一个分号组成的，就像上面的例子一样。

有了数字字符引用，就可以在网页中显示Unicode字符了，不用考虑html文件本身的编码，因为数字字符引用只用到ASCII字符集里的字符。所以，即使在gb2312编码的网页中，也可以用NCR显示埃及的象形文字了。

如何在python中处理&#X开头的字符串呢？

# coding=utf-8

def dec(a):

# &#x 开头解码 : 以 &# 或 &#x 开头的字符串叫做 NCR 字符

# 通过 py2.x下的HTMLParser 或 py3.x下的html 的 unescape() 方法来转换成能看懂的中文字符

aa = a.replace(';', '').replace('&#x', '\\u').encode('utf-8').decode('unicode_escape')

print(aa)