Python中的正则表达式匹配中文问题
python中正则表达式匹配中文是没有问题的，但是其中有一个关键点，那就是pattern中的中文编码必须和要匹配字符串保持一致；下面使用一个例子来说明：# -*- coding: utf-8 -*-
'''
test.html内容为 ：
<div id='author_' >作 者： （美）埃克尔 著，陈昊鹏 译</div>
<div id='publisher_'>出 版 社： 机械工业出版社</div>
<ul >
<li>出版时间： 2007-6-1</li>
<li>字 数： </li>
<li>版 次： 1</li>
<li>页 数： 880</li>
<li>印刷时间： 2007-6-1</li>
<li>开 本： </li>
<li>印 次： </li>
<li>纸 张： 胶版纸</li>
<li>I S B N ： 9787111213826</li>
<li>包 装： 平装</li>
</ul>
'''
import re
import chardet #用于检测str的编码
#读文件
def readContent():
f = file(r'/home/fzhong/test.html','r')
content = f.read()
f.close()
return content
#检测str的编码
def checkEncoding(str):
return chardet.detect(str)['encoding']
def extractAttrValue(regx):
p = re.compile(regx)
attrValue = p.search(self.dataStr).group(1).strip()
return attrValue
if __name__ == '__main__':
content = readContent()
#因为这里的test.html为gb2312编码，所以这里encoding应该为gb2312
encoding = checkEncoding(content)
p_isbn = u'<li>I S B N ：(.*?)</li>'.encode(encoding )
isbn = extractAttrValue(p_isbn)
#pattern为unicode，转为和content一样的编码，然后执行匹配
p_pub_date = u'<li>出版时间：(.*)</li>'.encode(encoding )
pubDate = extractAttrValue(p_pub_date)
p_edition_num = u'<li>版 次：(.*?)</li>'.encode(encoding )
editionNum = extractAttrValue(p_edition_num)
p_page_num = u'<li>页 数：(.*?)</li>'.encode(encoding )
pageNum = extractAttrValue(p_page_num)
p_author = ur'作 者：(.*?)</div>'.encode(encoding )
author = extractAttrValue(p_author)
p_publisher = ur'出 版 社：(.*?)</div>'.encode(encoding )
publisher = extractAttrValue(p_publisher)
这里有几个关键点：
p_pub_date = u'<li>出版时间：(.*)</li>'.encode(encoding )
执行一个unicode到encoding编码的转换；
当然在上面的脚本中也可以这样：
p_pub_date = '<li>出版时间：(.*)</li>'.decode('UTF-8').encode(encoding )
页:
[1]