python-re之中文匹配

 #coding=utf-8

 import re

 import chardet#检测网页编码形式的模块

 p = re.compile(r'\d+')

 print p.findall('one1two2three3four4')  

 a="rewfd231321ewq21weqeqw"

 p=re.compile(r"(\d+)\D+(\d+)",re.S)

 b=p.findall(a)

 print b

 a=u"我爱@糗百，你呢"

 print a

 b=re.findall (u"(.+?)@糗百(.+)",a,re.S)

 print b

 for i in b:

     for j in i:

         print j

结果：

['1', '2', '3', '4']
[('231321', '21')] #findall的结果是[(),()]这种形式的，如果元组只有一个元素，则是["",""]这样子的
我爱@糗百，你呢
[(u'\u6211\u7231', u'\uff0c\u4f60\u5462')]
我爱
，你呢

——————————————————————————————————————————

如果不知道汉字文本的编码，比如说是一段网上爬来的文字（通常情况下就是不知道的）

 import re

 import chardet#检测网页编码形式的模块

 a="我爱@糗百，你呢"

 if isinstance(a, unicode) :

     pass

 else:

     codesty=chardet.detect(a)

     a=a.decode(codesty['encoding'])

 print a

 b=re.findall (u"(.+?)@糗百(.+)",a,re.S)

 print b

 for i in b:

     for j in i:

         print j

则利用chardet这个模块得到它的编码，并将其转化为unicode

结果：

我爱@糗百，你呢
[(u'\u6211\u7231', u'\uff0c\u4f60\u5462')]
我爱
，你呢

当然，如果想双击,py在windows下演示，得到的字符串应该再加j.encode("GBK")

注意：处理中文前要将其转化为unicode，不要ascii码直接正则匹配，ascII码如何转Unicode?遇到再说吧~

巴特西

python-re之中文匹配

最新文章

热门文章