如何從字符串中刪除外國轉義引號？ Python

Question

我已經解析了一個 HTML 文件並使用 Beautiful Soup 提取了文本，但是抓取的一些文本可能包含不正確的引號（不同的字體或字符等），因此在我打印到的 JSON 文件中，我看到了轉義的引號。 我試圖用空字符串替換它們，但由於它們與我從鍵盤鍵入的引號不兼容，我不認為它們在我的 replace() 函數中被識別為引號，這意味着替換函數是不工作。 我還嘗試通過在要替換的內容前面放一個小“r”來將替換聲明為原始字符串，但這沒有任何區別。 如何刪除轉義的引號？

代碼：

'tag': div.text.split(',', 1)[0].replace('\n', '').replace('\u00a0', ' ').replace(r'\"', ''), # remove chars ',', ' \n', and '\u00a0',

JSON：

{
    "tag": "\"Data Scientists You May Know\" suggester",
    "definition": "",
    "source": [
        {
            "title": "Data Scientists You May Know",
            "URL": "https://learning.oreilly.com/library/view/data-science-from/9781492041122/ch01.html#RSdata01"
        },
        {
            "title": "Data Scientists You May Know",
            "URL": "https://learning.oreilly.com/library/view/data-science-from/9781492041122/ch01.html#idm45635773432952"
        }
    ]
},

如您所見，標簽名稱是"\\"Data Scientists You May Know\\" suggester" ，而它應該只是"Data Scientists You May Know suggester" 。

Answer 1

因此，有問題的網站呈現如下：

那些花引號指向不同的打開和關閉方式，它們被稱為“智能引號”，它們的 UTF-16 十六進制代碼是 201C 和 201D。

因此，要刪除它們，您可以使用這些代碼而不是r'\\"' ：

.replace('\u201c', '').replace('\u201d', '') 

但是一般如何解決這樣的問題呢？

您可以直接從站點復制文本並將其保存在UTF-16編碼的文本文件中。 然后查看文件的二進制內容，例如在 linux/macOS 上使用hexdump命令，找到字符代碼並將它們轉換為 Python 字符串，如'\\u\u0026lt;4-character hex unicode sequence>' 。