我们在做爬虫的时候，经常回遇到一些特殊的空格形式，如果不对这些空格进行妥善的处理，很可能会污染我们的数据。

不同的空格种类

一般我们所认识的正常空格为 0x20 这种也就是我们直接在键盘上敲击的空格。但是还有很多其他的空格形式。

  • \t：水平制表符
  • \v：垂直制表符
  • \f：换页符
  • \xa0：不间断空白符
  • \u0020：半角空格（英文符号），代码中常用的
  • \u3000 ：全角空格（中文符号），中文文章中使用
  • \u00A0：不间断空格，主要用在office中，让一个单词在结尾处不会换行显示
  •  ：HTML 中的空格表示形式

去掉空格的两种方法

使用正则表达式去掉空格

1
2
import re
re.sub(r'\s', '', msg)

借助 unicodedata 这个库，这个库里有一个 normalize 函数，可以将其他特殊的空格转换为标准的空格。

1
2
3
import unicodedata as ucd

ucd.normalize('NFKC', msg).replace(' ', '')

REFERENCE

[1] python剔除空格\u3000: https://zhuanlan.zhihu.com/p/348461462
[2] 三种空格unicode(\u00A0,\u0020,\u3000)表示的区别: https://www.jianshu.com/p/4317e3749a13
[3] 网页爬虫中\xa0、\u3000等字符的解释及去除: https://blog.csdn.net/pengjunlee/article/details/104674623/