刮掉这个嘈杂的价格标签的正确方法答案

【问题标题】：Right way to scrape this noisy price tag刮掉这个嘈杂的价格标签的正确方法
【发布时间】：2021-05-13 13:43:39
【问题描述】：

给定一个<div> 包含一个有很多噪音的价格：

Price 1\u00a0500\u00a0000 EUR

而您只想要纯数量（1500000），那么在 Scrapy 中实现这一点的最佳方法是什么？

我尝试结合正则表达式：

il.add_css('price', 'div.price_tag::text', re='([.\d]+)\s*(?:EUR)')

与删除非 ascii 代码的通用管道一起：

def process_item(self, item, spider):
    def remove_non_ascii(text):
        return ''.join(i for i in text if ord(i)<128)
    for key, value in item.items():
        item[key] =remove_non_ascii(item[key]) 
    return item

但似乎管道是在正则表达式之后执行的，因此它只会找到“000”而不是“1500000”。

当然，对于那些特定情况，可以在某处构建.replace()，但我更愿意坚持使用可用的标准方法并使其更好地维护。

【问题讨论】：

谢谢，这会引发错误nothing to repeat at position 1。我还使用re.findall(r'(*UCP)\d+(?:\s\d+)*(?=\s*EUR)', 'Price 1\u00a0500\u00a0000 EUR') 尝试了不同的环境。
啊，是 Python，对不起。当然删除(*UCP)，这在所有意义上都是多余的，试试\d+(?:\s\d+)*(?=\s*EUR)
谢谢，越来越近了，但它仍然没有删除 NO-BREAK SPACE：1\xa0500\xa0000 我真的应该刷新我的正则表达式流畅度..
当然。匹配时不能删除任何内容。这是不可能的。
好的，谢谢您的确认！但这现在可以与管道的想法相结合并删除空格。谢谢。如果您发布答案，我会接受。

标签： regex scrapy scrapy-pipeline

【解决方案1】：

你可以使用

\d+(?:\s\d+)*(?=\s*EUR)

请参阅regex demo。

详情：

\d+ - 一位或多位数字
(?:\s\d+)* - 零个或多个空格序列和一个或多个数字
(?=\s*EUR) - 与字符串中的某个位置匹配的正向前瞻，该位置紧跟零个或多个空格，然后是 EUR。

注意\s 和其他速记字符类在 Python 3.x 正则表达式中默认支持 Unicode，您不需要额外的标志。

【讨论】：

谢谢，以及消除价格中空白的管道正在回答这个问题。