网页爬虫中xa0、u3000等字符的解释及去除

xa0表示不间断空白符，爬虫中遇到它的概率不可谓不小，而经常和它一同出现的还有u3000、u2800、 等Unicode字符串。单从对xa0、 、u3000等含空白字符的处理来说，有以下几种方法可行：

使用re.sub

使用正则表达式可以轻松匹配所有空白字符，它对于Unicode字符也是有效的，比如：

import re
s = 'T-shirtxa0xa0短袖圆领衫,u3000体恤衫xa0买一件	吧'
re.sub('s', ' ', s)

#T-shirt  短袖圆领衫, 体恤衫 买一件 吧

不过该正则表达式会对所有字符都进行统一处理，可能会与原页面展示效果有所出入。

使用translate方法

str对象的translate方法也是去除这些字符串的好帮手，该方法具体用法可参考Python标准库，本处使用示例如下：

inputstring = u'
               Door:xa0Novum    	'
move = dict.fromkeys((ord(c) for c in u"xa0
	"))
output = inputstring.translate(move)
output
# Door:Novum  

利用split方法

将字符串分割再重组，这时候空白字符就会被pass掉了，不过该方法杀伤力太大，会导致所有空白消失，一定要慎用。
使用示例：

s = 'T-shirtxa0xa0短袖圆领衫,u3000体恤衫xa0买一件	吧'
''.join(s.split())
# T-shirt短袖圆领衫,体恤衫买一件吧

使用unicodedata模块

Python标准库的unicodedata模块提供了normalize方法将Unicode字符转换为正常字符，该方法可算是处理这类情况最好的方法了，它会让字符回归到我们期望看到的样子，同时不损害其它正常的空白字符，而且还能还原其它非空白字符。normalize第一个参数指定字符串标准化的方式。 NFC表示字符应该是整体组成(比如可能的话就使用单一编码)，而NFD表示字符应该分解为多个组合字符表示。Python同样支持扩展的标准化形式NFKC和NFKD，它们在处理某些字符的时候增加了额外的兼容特性。使用该方法处理xa0等字符的示例如下：

import unicodedata
s = 'T-shirtxa0xa0短袖圆领衫,u3000体恤衫xa0买一件	吧'
unicodedata.normalize('NFKC', s)
# T-shirt  短袖圆领衫, 体恤衫 买一件 吧