Question

我正试图从宜家网站上提取一些价格，但价格格式非常混乱（空格，回车，中间的逗号）。这就是我提取的内容：

        39,90 €
                            ,

我用Scrapy做到这一点，到目前为止没问题，除了我想摆脱所有不是价格（和欧元符号）！

我尝试使用这个正则表达式（在python 2.7中）：

re(\S[0-9]+([ ,]?[ ])([0-9]{2}?)u"\u20AC")

我是编程新手，今天下午我学会了什么是正则表达式，但我尝试了大量的可能性而没有得到比以下更好的结果：

SyntaxError: unexpected character after line continuation character

如果有人花几分钟时间看看我做了什么并告诉我哪里出错了，那就太棒了！

为每个人欢呼

Answer 1

您尝试匹配unicode或byte的字符串类型？

假设您正在使用unicode字符串，那么您的匹配可能如下所示：

#!/usr/bin/python
import re

s = u"""        39,90 \u20AC
                  """
groups = re.match(ur'\D*(\d+)\D*(\d{0,2})\D*(\u20AC)', s, re.UNICODE)
print groups.groups()

输出：

(u'39', u'90', u'\u20ac')

字符串前面的

u 表示这是unicode字符串。

正则表达式解释说：

\ D * - 任何非零数字或更多次的数字
（\ d +） - 一个或多个数字
\ D * - ...
（\ d {0,2}） - 零或两位数
\ D * - ...
（\ u20AC） - unicode货币符号

我们使用\ D，\ d和re.UNICODE标志，以便将unicode中的所有内容都解释为数字或非数字。

如果使用字节字符串。我假设您正在使用utf-8字节字符串。然后：

import re

s = b"""        39,90 \xE2\x82\xAC
                  """

groups = re.match(r'\D*(\d+)\D*(\d{0,2})\D*(\xE2\x82\xAC)', s)
print groups.groups()

输出：

('39', '90', '\xe2\x82\xac')

“\ xe2 \ x82 \ xac”是“e282ac”字节序列，在utf-8编码中表示欧元符号。

称为“Unicode三明治”的良好做法：

在输入
仅使用unicode
将unicode编码为输出上的字节

正则表达式和unicode在python中提取价格

1 个答案: