Python2.7 转义和正则匹配中文

  今天爬虫(新浪微博 个人信息页面)的时候遇到了转义和正则匹配中文出乱码的问题。

  先给出要匹配的部分网页源代码如下:

  <span class=\"pt_title S_txt2\">昵称:<\/span><span class=\"pt_detail\">他们叫我远凸哥哥<\/span><\/li>\r\n\t\t

  想要匹配得到的结果是这个人的昵称,即“他们叫我远凸哥哥”

1.转义

  比较简单,需要转义的是反斜杠(\)和引号(")

 >>> content='<span class=\\\"pt_title S_txt2\\\">昵称:<\\/span><span class=\\\"pt_detail\\\">他们叫我远凸哥哥<\\/span><\\/li>\\r\\n\\t\\t'
>>> print content
<span class=\"pt_title S_txt2\">昵称:<\/span><span class=\"pt_detail\">他们叫我远凸哥哥<\/span><\/li>\r\n\t\t

2. 匹配中文乱码的问题

问题如下:

 >>> re.findall(r'(?<=昵称:<\\/span><span class=\\\"pt_detail\\\">).*?(?=<\\/span>)',content)
['\xcb\xfb\xc3\xc7\xbd\xd0\xce\xd2\xd4\xb6\xcd\xb9\xb8\xe7\xb8\xe7']

百度和google了一下,知道了大概思路就是要decode('utf8')。有说pattern要写成u'pattern'的,不过我试了好像没什么用,不知道是不是我用的2.X版本。最后解决办法如下:

 #! /usr/bin/env python
#coding=utf8 import re
content6='<span class=\\\"pt_title S_txt2\\\">昵称:<\\/span><span class=\\\"pt_detail\\\">他们叫我远凸哥哥<\\/span><\\/li>\\r\\n\\t\\t'
b=re.findall(r'(?<=昵称:<\\/span><span class=\\\"pt_detail\\\">).*?(?=<\\/span>)',content6)
print b[0].decode('utf8')
他们叫我远凸哥哥

不知道大家有什么更好的写法,网上的写法试了好几种,我这里都是不行的。

上一篇:linux进程间通信--无名管道


下一篇:ubuntu安装ANSYS17.2全过程