python正则表达式匹配中文

howema

有以下文本信息，要从中匹配到联系人、职位、电话、移动电话，现在是匹配不到中文，找高手赐教，正则表达式要如何写：

<div class="m-header"><h3>联系方式</h3></div>
                <div class="m-content">
                                   
            
            

                    <div><a href="http://me./szchunhuik.html" class="membername" target="_blank">钟小春</a>&nbsp;先生&nbsp;（工程部 经理）
                                                <a data-alitalk="{id: '春辉精密',type:'athena_alitalk_zban'}" target="_blank" href="http://amos.alicdn.com/getcid.aw?v=3&uid=春辉精密&site=cnalichn&groupid=0&s=1&charset=gbk">
                                       
                        </a>
            </div>
                        <dl>
                <dt>电&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;话：</dt>
                <dd>86 0755 23079683</dd>
            </dl>
                                   
                        <dl class="m-mobilephone" data-need-not-login="true" data-no="13923818521">
                <dt>移动电话：</dt>
                <dd class="mobile-number">                        13923818521
                                    </dd>
            </dl>
                                    <dl>
                <dt>传&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;真：</dt>
                <dd>86 0755 29759855</dd>
            </dl>

q1208c

加上 re.UNICODE 试试.

howema

q1208c 发表于 2014-04-21 13:29
加上 re.UNICODE 试试.

在哪里加？

howema

英文能匹配到，中文匹配不到...

q1208c

回复 3# howema


re.compile('xxxx', re.UNICODE)

   

howema

q1208c 发表于 2014-04-21 16:07
回复 3# howema

加了还是匹配不到汉字
得到的结果为[]

q1208c

回复 6# howema

贴上你的代码段 和 数据 来看看
   

wangst321

re表达式应该和被搜索字符串编码相同。如都是unicode，或者都是utf8

>>> unicode_s = u"<h3>联系方式</h3>"
>>> str_s = "<h3>联系方式</h3>"
>>> unicode_s
u'<h3>\u8054\u7cfb\u65b9\u5f0f</h3>'
>>> str_s
'<h3>\xe8\x81\x94\xe7\xb3\xbb\xe6\x96\xb9\xe5\xbc\x8f</h3>'
>>> import re
>>> re.search('联系', str_s)
<_sre.SRE_Match object at 0x982da30>
>>> re.search('联系', unicode_s)  # 没找到
>>> re.search(u'联系', unicode_s)
<_sre.SRE_Match object at 0x9ab4170>

howema

代码如下：

def getInfoFromPage(pattern,page):
    p = re.compile(pattern,re.UNICODE)
    result = p.findall(page)
    print result
    return result


pat = "手机版"#任何网页上的中文
url = 'http://detail.1688.com/offer/42776544.html'
page = urllib2.urlopen(url)
data = page.read()
result = getInfoFromPage(pat,data)

得到的结果都是[]

q1208c

1. #!/usr/bin/env python
   
2. # -*- coding: utf-8 -*-
   
3. 
   
4. ## set the file encoding as utf-8
   
5. import sys
   
6. reload(sys)
   
7. sys.setdefaultencoding('utf-8')
   
8. 
   
9. import urllib2
   
10. import re
    
11. 
    
12. 
    
13. def getInfoFromPage(pattern,page):
    
14.     p = re.compile(pattern,re.UNICODE)
    
15.     result = p.findall(page)
    
16.     print result
    
17.     return result
    
18. 
    
19. 
    
20. pat = "手机版"#任何网页上的中文
    
21. url = 'http://detail.1688.com/offer/42776544.html'
    
22. page = urllib2.urlopen(url)
    
23. data = page.read().decode('gbk').encode('utf-8')
    
24. print data
    
25. result = getInfoFromPage(pat,data)
    

复制代码

改成这样就行了. 原来页面的编码是GBK的.

回复 9# howema