在Python中如何与regex匹配时处理音调符号

Question

尝试将正则表达式与unicode html转义符一起用于音调符号：

#!/usr/bin/python
# -*- coding: utf-8 -*-
import re
htmlstring=u'''/">čćđš</a>.../">España</a>'''

print re.findall( r'/">(.*?)</a', htmlstring, re.U )

产生：

[u'\u010d\u0107\u0111\u0161', u'Espa\xf1a']

需要帮忙吗？你知道吗

Answer 1

这似乎是一个编码问题。您的代码正常工作。你在期待什么不同的东西吗？前缀为u的字符串是unicode文本。以\u开头的字符是unicode字符，后跟四个十六进制数字，而以\x开头的字符是unicode字符，后跟两个十六进制数字。如果您打印出您的结果（而不是查看他们的__repr__方法），您将看到您收到了您似乎要查找的结果：

results = [u'\u010d\u0107\u0111\u0161', u'Espa\xf1a']
for result in results:
    print result

čćđš
España

在代码中（即在列表中），可以看到这些unicode文本的表示形式：

for result in results:
    print result.__repr__()

u'\u010d\u0107\u0111\u0161'        # what shows up in your list
u'Espa\xf1a'

顺便说一句，似乎您正试图用regex解析html。你应该试试^{}或者类似的东西。这会帮你省去路上的大麻烦。你知道吗