我正在尝试从字符串中清除所有 HTML，因此最终输出是一个文本文件。我对各种“转换器”进行了一些研究，并开始倾向于为实体和符号创建自己的字典并在字符串上运行替换。我正在考虑这一点，因为我想自动化这个过程，并且底层 html 的质量存在很多可变性。为了开始比较我的解决方案和替代方案之一的速度，例如 pyparsing，我决定使用字符串方法 replace 测试 \xa0 的替换。我得到一个
UnicodeDecodeError: 'ascii' codec can't decode byte 0xa0 in position 0: ordinal not in range(128)
实际的代码行是
s=unicodestring.replace('\xa0','')
无论如何 - 我决定我需要在它前面加上一个 r 所以我运行了这行代码：
s=unicodestring.replace(r'\xa0','')
它运行没有错误，但是当我查看 s 的一部分时，我看到 \xaO 仍然存在
也许你应该做
s=unicodestring.replace(u'\xa0',u'')
s=unicodestring.replace('\xa0','')
..正在尝试创建 unicode 字符\xa0，该字符在 ASCII 字符串中无效（Python 3.x 之前的默认字符串类型）
r'\xa0'没有出错的原因是因为在原始字符串中，转义序列无效。它没有尝试将字符串编码\xa0为 unicode 字符，而是将字符串视为“文字反斜杠”、“文字 x”等。
以下是相同的：
>>> r'\xa0'
'\\xa0'
>>> '\\xa0'
'\\xa0'
这是 Python v3 中解决的问题，因为默认字符串类型是 unicode，所以你可以这样做。
>>> '\xa0'
'\xa0'
我正在尝试从字符串中清除所有 HTML，因此最终输出是一个文本文件
为此，我强烈推荐BeautifulSoup。编写一个 HTML 清理工具很困难（考虑到大多数 HTML 是多么可怕），而 BeautifulSoup 在解析 HTML 和处理 Unicode 方面做得很好。
>>> from BeautifulSoup import BeautifulSoup
>>> soup = BeautifulSoup("<html><body><h1>Hi</h1></body></html>")
>>> print soup.prettify()
<html>
<body>
<h1>
Hi
</h1>
</body>
</html>
而不是这个，最好使用标准的python特性。
例如：
string = unicode('Hello, \xa0World', 'utf-8', 'replace')
或者
string = unicode('Hello, \xa0World', 'utf-8', 'ignore')
where replace will replace \xa0 to \\xa0.
But if \xa0 is really not meaningful for you and you want to remove it then use ignore.
只是关于 HTML 清理的说明。这是非常非常困难的，因为
<
body
>
是编写 HTML 的有效方式。仅供参考。
您可以通过以下方式将其转换为 unicode：
print u'Hello, \xa0World' # print Hello, World