 |
1
Cee May 7, 2015
三個 \x** 一組 轉換成漢字
|
 |
2
fzinfz May 7, 2015
In [30]: s = b'\xe7\xa9\xbf\xe5\xb1\xb1\xe7\x94\xb2\xe5\x88\xb0'
In [31]: sd = s.decode('utf-8') In [32]: sd Out[32]: '穿山甲到' In [33]: rs = re.search('山',sd) In [34]: rs Out[34]: <_sre.SRE_Match object; span=(1, 2), match='山'> |
 |
3
huanglk May 7, 2015
re.compile(r'^([\x80-\xff]{3})+$')
|
 |
4
liuhaotian May 7, 2015
穿山甲到底说了什么？
这个是汉字的 utf-8 编码 我只会 php 就用 php，用 php 做了一个快速转换的 sample ： http://cloud.vexio.net/prog/za/utf8_decode.php 核心部分就是：urldecode(str_replace('\x','%',$input)); |
 |
5
likuku May 7, 2015
试试：
str.encode('utf-8') 正则没用过，但 count 和 find 都可。 py 头部加 # encoding: utf-8 str.encode('utf-8').count(u'中文') str.encode('utf-8').find(u'中文') python 2.7 下。 |
|
6
likuku May 7, 2015
python 2.x 使用引号字串前加 u 来明确使用 utf-8 编码，否则中文不行。
|
 |
7
buginux May 7, 2015
书籍的话，推荐楼主去看看《正则指引》， 余晟老师写的，是国内的正则书，里面有关于中文的。
|
 |
8
imn1 May 7, 2015
先判断类型
如果是string，就按latin-1转为bytes，decode utf-8 如果本身就是bytes，直接decode就行了 |
|
9
imn1 May 7, 2015
>>> s='\xe7\xa9\xbf\xe5\xb1\xb1\xe7\x94\xb2\xe5\x88\xb0\xe5\xba\x95\xe8\xaf\xb4\xe4\xba\x86\xe4\xbb\x80\xe4\xb9\x88\xef\xbc\x9f'
>>> s.encode('latin-1').decode('utf-8') '穿山甲到底说了什么？' >>> >>> s=b'\xe7\xa9\xbf\xe5\xb1\xb1\xe7\x94\xb2\xe5\x88\xb0\xe5\xba\x95\xe8\xaf\xb4\xe4\xba\x86\xe4\xbb\x80\xe4\xb9\x88\xef\xbc\x9f' >>> s.decode('utf-8') '穿山甲到底说了什么？' 第一个s是string，第二个s是bytes 错误的例子： >>> s='\xe7\xa9\xbf\xe5\xb1\xb1\xe7\x94\xb2\xe5\x88\xb0\xe5\xba\x95\xe8\xaf\xb4\xe4\xba\x86\xe4\xbb\x80\xe4\xb9\x88\xef\xbc\x9f' >>> s.encode('utf-8').decode('utf-8') 'ç©¿å±±ç\x94²å\x88°åº\x95说äº\x86ä»\x80ä¹\x88ï¼\x9f' 用 utf-8 或者 ascii 来 encode 都是不对的 |
 |
10
picasso250 May 8, 2015
做爬虫，请用PHP或者python3。
人生苦短。 |
|
11
picasso250 May 8, 2015
比如 preg_match('/我就是要处理中文/u', $html_code);
|
 |
12
ultimate010 May 8, 2015 via iPhone
2和9正解，用好decode encode python 2正则很好弄，建议用lxml库。
|
 |
13
commoccoom OP @picasso250
python 2.7 有什么坑吗？ |
 |
14
caomaocao May 8, 2015
可以用这个%\w{2}){3,} 但要主要gbk编码的...
|
|
15
commoccoom OP @ultimate010 再问一个问题：为什么 "^[0\\\-9]$" 和 "^[0\\\\-9]$" 是等价的？
|
|
16
ultimate010 May 10, 2015 via iPhone
|
|
17
commoccoom OP @ultimate010
我用 r"^[0\\-9]$" == "^[0\\\-9]$" 返回True 用 r"^[0\\-9]$" == "^[0\\\\-9]$" 返回True "^[0\\\-9]$" == "^[0\\\\-9]$" 同样返回 True 这样我就看不懂了。 |
|
18
ultimate010 May 10, 2015
In [1]: a = "^[0\\\-9]$"
In [2]: a Out[2]: '^[0\\\\-9]$' In [3]: b = "^[0\-9]" In [4]: b Out[4]: '^[0\\-9]' In [5]: c = "^[0\\\\-9]" In [6]: c Out[6]: '^[0\\\\-9]' 我理解 "^[0\\\-9]$" 这种情况，前两个'\\'表示转义'\'就是原始'\',后面单独的'\'后是'-'，不是转义情况，所以理解为'\'，存储是表示成转义'\',所以输出中有'\\\\'四个'\'。 In [1]: r"^[0\\-9]$" Out[1]: '^[0\\\\-9]$' 加了r后，就自动帮你加了转义需要的'\'。 |
Select Language