使用Python BS4抓取HTML表格时特殊格式数字的处理问题

嘿，我来帮你搞定这个小麻烦！你遇到的\xa0其实是HTML里的非断空格（对应网页源码里的 ），表格里显示的空格就是它，但Python直接输出的时候会显示成\xa0而非正常空格，所以看起来异常。

两种解决方案，按需选择： #

• 方案1：输出和表格形式完全一致（保留空格）
  只需要把抓取到的文本里的\xa0替换成普通空格就行，修改你的代码如下：

  temp = []
  a = soup.findAll('tr')[1]
  for td in a.find_all("td"):
      # 把非断空格替换成普通空格，和表格显示一致
      formatted_text = td.text.replace('\xa0', ' ')
      temp.append(formatted_text)
  

  这样a.findAll('td')[10].text处理后就会变成'24 081 728'，和表格里的显示一模一样。

• 方案2：去掉空格得到纯数字值
  如果需要把它转成实际的数值（比如24081728），就把\xa0替换为空字符串，还可以转成整数类型：

  temp = []
  a = soup.findAll('tr')[1]
  for td in a.find_all("td"):
      # 移除非断空格，得到纯数字字符串
      num_text = td.text.replace('\xa0', '')
      # 可选：转成整数
      num = int(num_text)
      temp.append(num)
  

补充说明 #

网页里为了防止数字在空格处换行，经常会用 代替普通空格，BS4解析时会将其转换成Unicode字符\xa0，所以只要做个简单的字符串替换就能解决问题啦～

内容的提问来源于stack exchange，提问作者Ahmed Meeran