python

Question

我是这个论坛的新手（这是我的第一个问题），所以请耐心等待。我正在用瑞典语抓取一个网站。它使用的是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="

让我们说我想抓住日期和时间（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＆＃34;可读的瑞典变量帖子＆＃34;中搜索某些东西，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），那么相同的搜索工作。

那些了解那些在这里发生了什么的优秀程序员？

我还可以补充一点，如果它有助于在某些情况下搜索确实有效... 例如：

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

这样可行......

我很困惑。

Answer 1

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

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

Answer 2

与瑞典人没什么关系。我认为re是多线的。如果您执行以下操作：

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

您将获得预期的结果。