Python2.7 转义和正则匹配中文

　　今天爬虫（新浪微博 个人信息页面）的时候遇到了转义和正则匹配中文出乱码的问题。

 

　　先给出要匹配的部分网页源代码如下:

　　<span class=\"pt_title S_txt2\">昵称：<\/span><span class=\"pt_detail\">他们叫我远凸哥哥<\/span><\/li>\r\n\t\t

　　想要匹配得到的结果是这个人的昵称，即“他们叫我远凸哥哥”

 

1.转义

　　比较简单，需要转义的是反斜杠（\）和引号（"）

1 >>> content='<span class=\\\"pt_title S_txt2\\\">昵称：<\\/span><span class=\\\"pt_detail\\\">他们叫我远凸哥哥<\\/span><\\/li>\\r\\n\\t\\t'
2 >>> print content
3 <span class=\"pt_title S_txt2\">昵称：<\/span><span class=\"pt_detail\">他们叫我远凸哥哥<\/span><\/li>\r\n\t\t

 

2. 匹配中文乱码的问题

问题如下：

1 >>> re.findall(r'(?<=昵称：<\\/span><span class=\\\"pt_detail\\\">).*?(?=<\\/span>)',content)
2 ['\xcb\xfb\xc3\xc7\xbd\xd0\xce\xd2\xd4\xb6\xcd\xb9\xb8\xe7\xb8\xe7']

百度和google了一下，知道了大概思路就是要decode('utf8')。有说pattern要写成u'pattern'的，不过我试了好像没什么用，不知道是不是我用的2.X版本。最后解决办法如下：

1 #! /usr/bin/env python
2 #coding=utf8
3 
4 import re
5 content6='<span class=\\\"pt_title S_txt2\\\">昵称：<\\/span><span class=\\\"pt_detail\\\">他们叫我远凸哥哥<\\/span><\\/li>\\r\\n\\t\\t'
6 b=re.findall(r'(?<=昵称：<\\/span><span class=\\\"pt_detail\\\">).*?(?=<\\/span>)',content6)
7 print b[0].decode('utf8')
8 他们叫我远凸哥哥

不知道大家有什么更好的写法，网上的写法试了好几种，我这里都是不行的。

转载于:https://www.cnblogs.com/leoncoding/p/4720538.html