正则表达式如何匹配网页里面的汉字？

程序员文章站 2022-05-22 08:03:11

...

python做的爬虫，需要提取html中Apple iPhone 5s (A1530) 16GB 金色移动联通4G手机这里面的手机名，因为初学怎么都不能匹配完全，其中用.*只能匹配到Apple iPhone 5s (A1 请各位指点一下！已经困住两天了！

回复内容：

谢邀。
我又来安利xpath了，放弃正则表达式吧少年。

//span[@class="pro-title"]/text()

没人用BeautifulSoup?

(?).*?(?=

如果实际情况中有许多不同的“”对，就请自行填充前后向断言的内容你应该看看汉字编码，网页的编码很可能是GBK,然而python是用的utf8，所以绝对匹配不了

怒答，看到不懂正则的还瞎BB，为你感到悲哀！上图！

---------------代码区----------------
# coding:utf-8
import re
x='Apple iPhone 5s (A1530) 16GB 金色 移动联通4G手机 '
xre=r'()(.+)( )'
z=re.search(xre,x).group(2)
print z
----------输出区-----------------------
C:\Python27\python.exe D:/PycharmProjects/爬虫/test.py
Apple iPhone 5s (A1530) 16GB 金色 移动联通4G手机

进程已结束,退出代码0

.+ /sSU 一般情况下可以这样匹配中文，如图：

先用靓汤或正则找到这个节点，再用上面的字符组匹配。
假设这个节点只有一个，用法如下：

import re
import requests as req
from bs4 import BeautifulSoup

url = 'xxx'
html = req.get(url).text
bs = BeautifulSoup(html)
span = bs.find_all('span', 'pro-title')

'''
span = re.findall('[^', html)
s = span[0]
m = re.findall('[\u4e00-\u9fa5]+', s)
'''

s = str(span)
m = re.findall('[\u4e00-\u9fa5]+', s)
print(m)