python中的瑞典Unicode问题答案

【问题标题】：Swedish Unicode issues in pythonpython中的瑞典Unicode问题
【发布时间】：2015-11-26 11:23:59
【问题描述】：

我是这个论坛的新手（这是我的第一个问题），所以请多多包涵。我正在用瑞典语抓取一个网站。它使用 ISO-8859-1 字符集。

在源代码中它可能看起来像这样：

<div class="fl icon-post-old"></div>
    2015-11-13, 15:09
    <a href="

假设我想获取日期和时间（这不是一个真实的例子）。

threadcode=opener.open(threadurl).read()
threadcode2=threadcode.decode("ISO-8859-1")
post=re.findall(r'<div class="fl icon-post-old"></div>(.*?)<a',str(threadcode2))
post2=re.findall(r'<div class="fl icon-post-old"></div>(.*?)<a',str(threadcode))
print (post) #this is blank
print (post2) #this works fine

所以，如果我在“可读性好的瑞典变量帖子”中搜索某些内容，它似乎不起作用。但是，如果我使用 Unicode 表示进行相同的搜索（这不是很有用），那么相同的搜索就可以工作。

你们当中有谁知道这里发生了什么的优秀程序员吗？

如果在某些情况下搜索确实有效，我还可以添加... 例如：

post=re.findall(r'Jag vill(.*?)bil',str(threadcode2))

这会起作用...

我很困惑。

【问题讨论】：

您的字符串必须是 unicode 字符串，这是一个很好的起点：stackoverflow.com/questions/1327731/…

标签： python unicode

【解决方案1】：

与瑞典语无关。我认为re 在多行中很无聊。如果您执行以下操作：

post=re.findall(
  r'<div class="fl icon-post-old"></div>(.*?)<a',
  threadcode2.replace('\n','')
)

你会得到预期的结果。

【讨论】：

【解决方案2】：

在将 unicode 字符串传递到 re.findall 时，您应该传递 re.UNICODE 标志：

post=re.findall(r'<div class="fl icon-post-old"></div>(.*?)<a',threadcode2, flags=re.UNICODE)

【讨论】：