Question

我想提取一些包含非ASCII字符的文本。问题是该程序将非ASCII视为分隔符！我试过这个：

regex_fmla = '(?:title=[\'"])([:/.A-z?<_&\s=>0-9;-]+)'
c1='<a href="/climate/cote-d-ivoire.html" title="Climate data: Côte d\'Ivoire">Côte d\'Ivoire</a>'
c2= '<a href="/climate/cameroon.html" title="Climate data: Cameroon">Cameroon</a>'
c_list =[c1, c2]
for c in c_list 
    print re.findall(regex_fmla , c)

结果是：

['Climate data: C']
['Climate data: Cameroon']

请注意，第一个国家不正确，因为系列在ô处断开，应该是：

['Climate data: Côte d\'Ivoire']

我在StackOverflow中搜索过，我找到了一个建议使用标志re.UNICODE的答案，但它返回了相同的错误答案！

我该如何解决这个问题？

Answer 1

我建议使用BeautifulSoup来解析html：

from bs4 import BeautifulSoup as bs

c1='<a href="/climate/cote-d-ivoire.html" title="Climate data: Côte d\'Ivoire">Côte d\'Ivoire</a>'
c2='<a href="/climate/cameroon.html" title="Climate data: Cameroon">Cameroon</a>'


for c in [c1, c2]:
    soup = bs(c, 'html.parser')
    print(soup.find('a')['title'])

了解更多链接（<a ...>）使用.findAll()方法：

for c in [bightml]:
    soup = bs(c, 'html.parser')
    for a in soup.findAll('a'):
        print(a['title'])

如果您需要具有title属性的任何内容：

for a in soup.findAll(title=True):
    print(a['title'])

Answer 2

我也建议BeautifulSoup，但似乎您想知道如何包含这些特殊字符，您可以将正则表达式更改为：

ex = 'title="(.+?)"'

然后：

c1='<a href="/climate/cote-d-ivoire.html" title="Climate data: Côte d\'Ivoire">Côte d\'Ivoire</a>'

for x in re.findall(ex, c1):
    print x

<强>输出：

Climate data: Côte d'Ivoire

Answer 3

我建议使用美味的汤，但如果你更喜欢坚持：

import re

regex_fmla = '(?:title=[\'"])([\w :\':/.]+)'

c1 = '<a href="/climate/cote-d-ivoire.html" title="Climate data: Côte d\'Ivoire">Côte d\'Ivoire</a>'
c2 = '<a href="/climate/cameroon.html" title="Climate data: Cameroon">Cameroon</a>'
c_list = [c1, c2]

for c in c_list:
    print(re.findall(regex_fmla, c, flags=re.UNICODE))

我认为导致re.UNICODE无效的问题是明确将表达式中的字母定义为[A-z0-9]。如果我们将其更改为[\w]，那么该标志就可以正常工作

用python正则表达式提取非ASCII字符的单词

3 个答案: