python2.7正则匹配中文_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:

昵称：他们叫我远凸哥哥\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='昵称：他们叫我远凸哥哥\\r\\n\\t\\t'

2 >>> printcontent3 昵称：他们叫我远凸哥哥\r\n\t\t

2. 匹配中文乱码的问题

问题如下：

1 >>> re.findall(r'(?<=昵称：).*?(?=)',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 importre5 content6='昵称：他们叫我远凸哥哥\\r\\n\\t\\t'

6 b=re.findall(r'(?<=昵称：).*?(?=)',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。