html 正则表达式 中文,正则表达式的中文搜索

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\u80fd\u738b\",\"\u516c\u5143\u524d\u7684\u72d0\",\"http:\/\/m.leidian.com\/ebook\/detail\/152564325945203970?src=m_so\"]}"},{"word":"科技皇朝",\"md\":[\"\",\"\u79d1\u6280\u7687\u671d\",\"\u7b14\u6307\u6c5f\u5c71\",\"http:\/\/m.leidian.com\/ebook\/detail\/11001634457921487175?src=m_so\"]}"}],"version":"2.10"}); 我们想要的是后面那个字典。但是直接转换，或者split之类的基本都不行。这样就要拿出正则表达式来匹配了。

很显然，我们想要的是每个“ ”中间的中文。我去网上查中文的匹配，发现每篇文章都一样，只是提了中文的utf-8的范围：

unicode中中文的编码为\u4e00-\u9fa5

最让我失望的是，谷歌的第一页的中文文章几乎都一模一样。

于是我就直接去匹配中文，正则表达式如下：

"\"[\u4e00-\u9fa5]+\""

解释一下，外面的引号代表这是个字符串，里面的\"是转义的"，因为“在字符串中有其他定义，想要搜索”就要加\使其保持原来的意义。

中括号内\u指的是unicode，4e00-9fa5则是中文的范围。中括号内的意思就是这个范围内的任何一个。

后面的＋指的是前面那个表达式的一个或多个，也就是中括号内的一个或多个。

结果我得到的是一堆“:”的重复。我百思不得其解，怀疑是编码的问题。把上面那个字符串命名为html

html_code = html.decode('utf8')

再搜索，发现只搜出了空集。

＊＊＊＊＊经过了很久很久＊＊＊＊＊＊

后来发现字符串也需要标注是unicode

u"\"[\u4e00-\u9fa5]+\""

嗯，就这样解决了。不过搜索出来的还是结果带着“”，我只想要其中的关键字。就把想要取出的词加上小括号即可。

u"\"([\u4e00-\u9fa5]+)\""

代码是这个样子的：

html_code = html.decode('utf8')

pattern = re.compile(u"\"([\u4e00-\u9fa5]+)\"")

results = pattern.findall(html_code)

for result in results:

print "%s" %result结果是：

科技

科技美学

科技苑

科技小制作大全

科技管理研究

科技网

科技少女喵

科技部

科技日报

科技超能王

科技皇朝

PS:其实没有必要写这篇文章的，但是实在是太郁闷了。等我抽出身了，一定要好好研究正则表达式。

————————————

github主页：https://github.com/gt11799

E-mail：gting405@163.com

总结

以上是编程之家为你收集整理的正则表达式的中文搜索全部内容，希望文章能够帮你解决正则表达式的中文搜索所遇到的程序开发问题。

如果觉得编程之家网站内容还不错，欢迎将编程之家网站推荐给程序员好友。

本图文内容来源于网友网络收集整理提供，作为学习参考使用，版权属于原作者。

小编个人微信号 jb51ccc

喜欢与人分享编程技术与工作经验，欢迎加入编程之家官方交流群！