如何在python中使用正则表达式的unicode字符串？

Question

嗨，我想在以下字符串中使用正则表达式unicode utf-8：

</td><td>عـــــــــــادي</td><td> 40.00</td>

我想选择"عـــــــــــادي" ，我该怎么做？

我的代码是：

state = re.findall(r'td>...</td',s)

谢谢

Answer 1

当我试图用俄语匹配一个字符串时，我碰到了类似的东西。 根据您的情况，Michele的答案很好。 但是，如果你想使用像\\w和\\s这样的特殊序列，你必须改变一些东西。 我只是分享这个，希望它对其他人有用。

>>> string = u"</td><td>Я люблю мороженое</td><td> 40.00</td>"

通过在引号前放置一个u使字符串成为unicode

>>> pattern = re.compile(ur'>([\w\s]+)<', re.UNICODE)

将标志设置为unicode，以便它也匹配unicode字符串（请参阅docs ）。

（或者，您可以使用当地语言设置范围。对于俄语，这将是[а-яА-Я] ，因此：

pattern = re.compile(ur'>([а-яА-Я\s]+)<')

在这种情况下，您不必再设置标志，因为您没有使用特殊序列。）

>>> match = pattern.findall(string)
>>> for i in match:
...     print i
... 
Я люблю мороженое

Answer 2

根据PEP 0264：定义Python源代码编码 ，首先你需要通过在第一行添加这样的注释来告诉Python整个源文件是UTF-8编码的：

# -*- coding: utf-8 -*-

此外，尝试在字符串之前添加“ ur ”，以便它是原始的 和 Unicode ：

state = re.search(ur'td>([^<]+)</td',s)
res = state.group(1)

我还编辑了你的正则表达式以使其匹配。 三个点意味着“正好三个字符”，但由于您使用的是UTF-8，这是一个多字节编码，因此可能无法正常工作。