python正则表达式匹配中文-[转] Python中的正则表达式匹配中文问题

http://blog.csdn.net/dao123mao/article/details/5408521

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 ：

作　　者： （美）埃克尔 著，陈昊鹏 译

出 版 社： 机械工业出版社

出版时间： 2007-6-1

字　　数：

版　　次： 1

页　　数： 880

印刷时间： 2007-6-1

开　　本：

印　　次：

纸　　张： 胶版纸

I S B N ： 9787111213826

包　　装： 平装

"""

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"

I S B N ：(.*?)".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"

出版时间：(.*)".encode(encoding )

pubDate = extractAttrValue(p_pub_date)

p_edition_num = u"

版　　次：(.*?)".encode(encoding )

editionNum = extractAttrValue(p_edition_num)

p_page_num = u"

页　　数：(.*?)".encode(encoding )

pageNum = extractAttrValue(p_page_num)

p_author = ur"作　　者：(.*?)

".encode(encoding )

author = extractAttrValue(p_author)

p_publisher = ur"出 版 社：(.*?)".encode(encoding )

publisher = extractAttrValue(p_publisher)

这里有几个关键点：

p_pub_date = u"

出版时间：(.*)".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 = "

出版时间：(.*)".decode("UTF-8").encode(encoding )