昨天在写爬虫的时候需要在html文件中对中文进行匹配,在网上找了找都不是我要的,后面就自己写了个,呵呵,还行。o(∩_∩)o...
可以得到结果是:
['\\xce', '\\xd2', '\\xc3', '\\xc7', '\\xca', '\\xc7', '\\xd6', '\\xd0', '\\xb9', '\\xfa', '\\xc8', '\\xcb']
这样我们就得到了中文的一个集合,在python中一个中文用两个16进制的字符表示,所以上面集合的元素有12个。
另外还有一种方法就是:
另外我又想了想觉得可以写写其他比较有用的
比如
1、匹配网站名
输出:chinabyte
2、匹配ip地址
w.group(1)--w.group(4)就是匹配到的4个分段
这个有更简单的就是
得到的输出是['202', '115', '5', '250']
如果要取出这个4个数,注意进行转化int('202')就可以转为整数了
import re
s=""//document.getElementById("zoom").innerHTML = document.getElementById("zoom").innerHTML.replace(/topview/gi,"TopView(<a href='http://topview.eastmoney.com/regfm.html' target='_blank' class='blue'>我们是中国人</a>)");"""
s=s.__repr__()
w=re.findall(r'\\\w+',s,re.DOTALL|re.IGNORECASE)
w
可以得到结果是:
['\\xce', '\\xd2', '\\xc3', '\\xc7', '\\xca', '\\xc7', '\\xd6', '\\xd0', '\\xb9', '\\xfa', '\\xc8', '\\xcb']
这样我们就得到了中文的一个集合,在python中一个中文用两个16进制的字符表示,所以上面集合的元素有12个。
另外还有一种方法就是:
import re
s=""//document.getElementById("zoom").innerHTML = document.getElementById("zoom").innerHTML.replace(/topview/gi,"TopView(<a href='http://topview.eastmoney.com/regfm.html' target='_blank' class='blue'>我们是中国人</a>)");"""
rc=re.compile(r'\\\w+',re.DOTALL|re.IGNORECASE)
li=list(s)
lis=[x for x in li if rc.search(x.__repr__())]
cn=reduce(lambda x,y:x+y,lis)
print cn
#结果:我们是中国人
另外我又想了想觉得可以写写其他比较有用的
比如
1、匹配网站名
s='http://it.chinabyte.com/269/8344769.shtml'
w=re.search(r'\.(\w+)\.',s)
w.group(1)
输出:chinabyte
2、匹配ip地址
s='202.115.5.250'
w=re.search('(\d+).(\d+).(\d+).(\d+)',s)
w.group(1)--w.group(4)就是匹配到的4个分段
这个有更简单的就是
s.split('.')
得到的输出是['202', '115', '5', '250']
如果要取出这个4个数,注意进行转化int('202')就可以转为整数了