正则表达式的中文搜索

最新推荐文章于 2023-05-24 17:26:39 发布

栉风沐雨1314

最新推荐文章于 2023-05-24 17:26:39 发布

阅读量2.6k

点赞数 1

分类专栏： python 文章标签： python 正则表达式正则中文爬虫

本文链接：https://blog.csdn.net/gt11799/article/details/39322299

版权

在进行爬虫研究时，作者发现需要从抓取的文本中提取中文内容。通过查询，了解到中文的UTF-8编码范围是u4e00-u9fa5。在尝试使用正则表达式"[u4e00-u9fa5]+"匹配时，遇到问题，最初得到的结果不正确。经过排查，最终发现需要将正则表达式改为u""[u4e00-u9fa5]+""并处理字符串的编码方式，成功实现了中文的匹配和提取。

摘要由CSDN通过智能技术生成

这几天在研究爬虫，想在抓回来的文本中找出中文来，就捎带着研究了一下正则。没想到一如侯门深似海。

关于正则，有个很出名的笑话：有个程序员遇到了问题，他决定要用正则表达式去解决。现在他有了两个问题。（实用正则的时候肯定会有问题，而原来的问题依然还在）

还有这样一个笑话：给一个程序员正则表达式，他会拿着去匹配出字符；教给他如何实用正则表达式，你会得到一个浑身是问题的人。

（原谅我这生硬的翻译。）

通过so.com查询关键字，会得到一个utf-8 编码的字符串，当查询科技的时候：

 suggest_so({"query":"科技","result":[{"word":"科技美学"},{"word":"科技苑"},{"word":"科技小制作大全"},{"word":"科技管理研究"},{"word":"科技网"},{"word":"科技少女喵","obdata":"{\"t\":\"video\"}"},{"word":"科技部"},{"word":"科技日报"},{"word":"科技超能王","obdata":"{\"mt\":\"novel_free\",\"md\":[\"http:\/\/p3.qhimg.com\/dr\/80_100_100\/t0155de86b15e45143c.jpg\",\"\u79d1\u6280\u8d85