替换字符串Python

Question

现在我对文件的输出如下：

<b>Nov 22–24</b>   <b>Nov 29–Dec 1</b>    <b>Dec 6–8</b> <b>Dec 13–15</b>   <b>Dec 20–22</b>   <b>Dec 27–29</b>   <b>Jan 3–5</b> <b>Jan 10–12</b>   <b>Jan 17–19</b>   <b><i>Jan 17–20</i></b>    <b>Jan 24–26</b>   <b>Jan 31–Feb 2</b>    <b>Feb 7–9</b> <b>Feb 14–16</b>   <b><i>Feb 14–17</i></b>    <b>Feb 21–23</b>   <b>Feb 28–Mar 2</b>    <b>Mar 7–9</b> <b>Mar 14–16</b>   <b>Mar 21–23</b>   <b>Mar 28–30</b>   

我想删除所有“”和css标记（＆lt; b＆gt;，＆lt; / b＆gt;）。我尝试使用.remove和.replace函数，但是我收到错误：

SyntaxError: Non-ASCII character '\xc2' in file -- FILE NAME-- on line 70, but no encoding declared; see http://python.org/dev/peps/pep-0263/ for details

上面的输出位于列表中，我从网络抓取功能中获取：

def getWeekend(item_url):
    dates = []
    href = item_url[:37]+"page=weekend&" + item_url[37:]
    response = requests.get(href)
    soup = BeautifulSoup(response.content, "lxml")  # or BeautifulSoup(response.content, "html5lib")
    date= soup.select('table.chart-wide > tr > td > nobr > font > a > b')
    return date

我把它写成这样的文件：

for item in listOfDate:
    wr.writerow(item)

如何删除所有标记以便只留下日期？

Answer 1

我不确定，但我认为aString.regex_replace（'toFind'，'toReplace'）应该可行。或者将其写入文件，然后在其上运行sed，如：sed -i's / toFind / toReplace / g'

Answer 2

问题是您没有来自网站的ASCII字符串。您需要在操作之前将非ASCII文本转换为Python可以理解的内容。

如果有机会，Python将使用Unicode。如果您只是看看，那里有大量的信息。例如，您可以在本网站上找到其他问题的更多帮助：

Python: Converting from ISO-8859-1/latin1 to UTF-8

python: unicode in Windows terminal, encoding used?

What is the difference between encode/decode?

Answer 3

你已经有了一个有效的解决方案，但未来：

1. 使用get_text()删除标记

   date = soup.select('table.chart-wide > tr > td > nobr > font > a > b').get_text()

   1. 使用.replace(u'\xc2',u'')删除Â。 u使u'\xc2'成为一个unicode字符串。 （这可能会对编码有所了解，但对我来说get_Text()已经返回了一个unicode对象。）

   （另外，可能会考虑.replace(u'\u2013',u'-')，因为现在你有一个短划线：P。）

   date = date.replace(u'\xc2',u'').replace(u'\u2013',u'-')

Answer 4

如果您的Python 2源代码具有文字非ASCII字符，例如Â，那么您应该声明源代码编码，如错误消息所示。放在Python文件的顶部：

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

确保使用utf-8编码保存文件，并使用Unicode字符串处理文本。