微博评论文本乱码：为什么爬取的微博评论全是杂乱字符，如何解决？

获取微博评论文本不正常：杂乱字符和方向问题

在使用 requests 库爬取微博堕胎评论时，遇到了奇怪的字符串问题。提取到的字符串含有特殊字符“u200e”、“u202e”、“u202c”，在屏幕打印、pandas 数据框显示时正常，但下标访问或遍历时仍出现这些字符，且顺序混乱。

尽管微博网页和响应编码都为 utf-8，但为何会出现这种问题？

原因在于：

• “u202e”和“u202c”是方向格式控制符。
• “u202e”将后面字符从右向左显示，“u202c”取消这种格式。

解决方案：

使用正则表达式删除方向格式控制符，然后反转中间字符即可。

import re

reversedRE = re.compile(r'\u202E(.*?)(?:\u202C|$)', re.DOTALL)

s = '\u202Ecba\u202Cdef\u202Eihg\u202C'
print(s)
s = reversedRE.sub(lambda m: m[1][::-1], s)
print(s)  # abcdefghi

以上就是微博评论文本乱码：为什么爬取的微博评论全是杂乱字符，如何解决？的详细内容，更多请关注www.sxiaw.com其它相关文章！