如何在python中使用正則表達式的unicode字符串？

Question

嗨，我想在以下字符串中使用正則表達式unicode utf-8：

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

我想選擇"عـــــــــــادي" ，我該怎么做？

我的代碼是：

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

謝謝

Answer 1

當我試圖用俄語匹配一個字符串時，我碰到了類似的東西。 根據您的情況，Michele的答案很好。 但是，如果你想使用像\\w和\\s這樣的特殊序列，你必須改變一些東西。 我只是分享這個，希望它對其他人有用。

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

通過在引號前放置一個u使字符串成為unicode

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

將標志設置為unicode，以便它也匹配unicode字符串（請參閱docs ）。

（或者，您可以使用當地語言設置范圍。對於俄語，這將是[а-яА-Я] ，因此：

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

在這種情況下，您不必再設置標志，因為您沒有使用特殊序列。）

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

Answer 2

根據PEP 0264：定義Python源代碼編碼 ，首先你需要通過在第一行添加這樣的注釋來告訴Python整個源文件是UTF-8編碼的：

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

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

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

我還編輯了你的正則表達式以使其匹配。 三個點意味着“正好三個字符”，但由於您使用的是UTF-8，這是一個多字節編碼，因此可能無法正常工作。