私はこのウェブページをoed.comでスクレープするたびに、ユニコード文字のように見える小さなアポストロフィを取得します。私のコードをフィルタリングして、それらの文字すべてを通常のアポストロフィで置き換えるにはどうすればよいですか?以下は私の単語のリストを印刷するために使用したコードです(あなたがサイトにサインインしていない場合は、複数回スクレイプすると繰り返し単語が表示されます)。Pythonでウェブスクラップする際にユニコード文字をフィルタリングする方法は?
import csv
import os
import re
import requests
import urllib2
year_start= 1550
year_end = 1560
subject_search = ['Law']
with open("/Applications/Python 3.5/Economic/OED_table.csv", 'a') as outputw, open("/Applications/Python 3.5/Economic/OED.html", 'a') as outputh: #opens the folder and 'a' adds the words to the csv file.
for year in range(year_start, year_end +1):
path = '/Applications/Python 3.5/Economic'
opener = urllib2.build_opener(urllib2.HTTPCookieProcessor())
urllib2.install_opener(opener)
user_agent = 'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)'
header = {'User-Agent':user_agent}
resultPath = os.path.join(path, 'OED_table.csv')
htmlPath = os.path.join(path, 'OED.html')
request = urllib2.Request('http://www.oed.com/search?browseType=sortAlpha&case-insensitive=true&dateFilter='+ str(year)+ '&nearDistance=1&ordered=false&page=1&pageSize=100&scope=ENTRY&sort=entry&subjectClass='+ str(subject_search)+ '&type=dictionarysearch', None, header)
page = opener.open(request)
urlpage = page.read()
outputh.write(urlpage)
new_words = re.findall(r'<span class=\"hwSect\"><span class=\"hw\">(.*?)</span>', urlpage)
print new_words
csv_writer = csv.writer(outputw)
if csv_writer.writerow([year] + new_words):
csv_writer.writerow([year, word])
これが私の言葉を印刷した後、私はしばしばユニコード文字\ xcb \ x88を取得します。たとえば、un'ententという語は 'un \ xcb \ x88sentenced'と表示します。
これらのユニコード文字のすべてのインスタンスを取得し、適切なアポストロフィで置き換えるにはどうすればよいですか '。私はそれがこのようなものになると思っていた。
for word in new_words:
word = re.sub('[\x00-\x7f]','', word)
私は立ち往生している。
これらの文字を削除するか、またはUnicodeとして正しく解釈しますか? https://docs.python.org/2/howto/unicode.htmlをご覧ください。可能であれば、私はUnicodeを扱うのにはるかに優れているPython 3に切り替えることをお勧めします。 – amyrit
@amyrit、基本的に文字を削除し、単純なキーボードのアポストロフィー文字で置き換えたい> ' – Kainesplain
'word.replace(' xcb \ x88 '、"' ")'を試しましたか?これはあなたの問題の一部を解決するだけですが、私はあなたにユニコードを適切に扱うことを勧めます。それが実際のコーディングであれば、それを避けることはできません。 – amyrit