今天爬虫(新浪微博 个人信息页面)的时候遇到了转义和正则匹配中文出乱码的问题. 先给出要匹配的部分网页源代码如下: <span class=\"pt_title S_txt2\">昵称:<\/span><span class=\"pt_detail\">他们叫我远凸哥哥<\/span><\/li>\r\n\t\t 想要匹配得到的结果是这个人的昵称,即“他们叫我远凸哥哥” 1.转义 比较简单,需要转义的是反斜

转载请注明出处 利用python2.7正则表达式进行豆瓣电影Top250的网络数据采集 1.任务 采集豆瓣电影名称.链接.评分.导演.演员.年份.国家.评论人数.简评等信息 将以上数据存入MySQL数据库 2.任务解析 requests是很好的网络数据采集模块,配合BeautifulSoup可以解析许多HTML.但个人认为BeautifulSoup返回对象不是字符串,而利用其find及findall总觉得力有未逮,与正则表达式的配合总显得有些冗余,甚至需要将BeautifulSoup返回对象转换

^[/u4E00-/u9FA5]+$ 匹配中文 验证Email地址:“^w+[-+.]w+)*@w+([-.]w+)*.w+([-.]w+)*$”  验证InternetURL:“^http://([w-]+.)+[w-]+(/[w-./?%&=]*)?$”  验证电话号码:“^((d{3,4})|d{3,4}-)?d{7,8}$” trim()函数是将字符串左右的空格

一. import sys reload(sys) sys.setdefaultencoding('utf-8') print('测试中文') 二. print(‘我是中国人’) >>> /xe8/hx5/... 使用下面的: print(str(‘我是中国人’).decode('string-escape'))

正则表达式是一种用来匹配字符串的强有力的武器.它的设计思想是用一种描述性的语言来给字符串定义一个规则,凡是符合规则的字符串,我们就认为它“匹配”了,否则,该字符串就是不合法的. 因正则表达式也是用字符串表示的,所以,我们要首先了解如何用字符来描述字符. 在正则表达式中,如果直接给出字符,就是精确匹配.用\d可以匹配一个数字,\w可以匹配一个字母或数字. 要匹配变长的字符,在正则表达式中,用*表示任意个字符(包括0个),用+表示至少一个字符,用?表示0个或1个字符,用{n}表示n个字符,用{n,m

zh_ls = ['人','民'] print str(zh_ls).decode("string_escape")

在python脚本起始位置添加如下代码 # -*- coding: UTF-8 -*

==========================正则表达式=========================== 常用元字符 代码 说明 . 匹配除换行符以外的任意字符 \w 匹配字母或数字或下划线 \s 匹配任意的空白符 \d 匹配数字 \b 匹配单词的开始或结束 ^ 匹配字符串的开始 $ 匹配字符串的结束                                 常用限定符 代码/语法 说明 * 重复零次或更多次 + 重复一次或更多次 ? 重复零次或一次 {n} 重复n次 {n,}

以下代码仅限于python2 NLTK计算中文高频词 >>> sinica_fd=nltk.FreqDist(sinica_treebank.words()) >>> top100=sinica_fd.items()[0:100] >>> for (x,y) in top100: print x,y 的 6776 . 1482 在 1331 是 1317 了 1190 有 759 我 724 他 688 就 627 上 612 和 580 也 542

Python str方法总结 class str(object): """ str(object='') -> str str(bytes_or_buffer[, encoding[, errors]]) -> str Create a new string object from the given object. If encoding or errors is specified, then the object must expose a data buf

Python是一门动态解释性的强类型定义语言. 1.Python2 : ①.臃肿,源代码的重复量很多.   ②.语法不清晰,掺杂着C,php,Java的一些陋习. Python3 : 几乎是重构后的源码,规范,清晰,优美. 2.Python2中解决中文问题: ascii  # -*- encoding:utf-8 -*- Python3中不用 3. 用户交互 input Python2:raw_input Python3:input

python中打印中文 在python 2.x版本中,默认是ASCII编码方式,在有业务需要输入中文时,就会出现乱码的情况.解决这种问题的一个方式就是设置py文件的编码方式.实现方式如下: 在py文件的第一行添加如下代码: # -*- encoding:utf-8 -*- # 逻辑代码区  # -*- encoding:utf-8 -*- 更改默认编码方式为utf-8,可打印中文.

python2中字符串分为2种类型: 字节类型:str,字节类型,通过decode()转化为unicode类型 unicode类型:unicode ,通过encode转化为str字节类型 字节类型 和 unicode类型的转化: 字节类型通过decode转化为unciode类型 unciode类型通过encode方法转化为直接类型 方法的使用和python3相同,但是在方法中默认的编码方式为ascii, 对中文需要手动指定为utf-8 python3中字符串分为2种类型: str:unicode

自学Python之路 自学Python2.1-基本数据类型-字符串方法 下 class str(object): """ str(object='') -> str str(bytes_or_buffer[, encoding[, errors]]) -> str Create a new string object from the given object. If encoding or errors is specified, then the object

一.正则表达式元字符: 1.一些常用元字符: 元字符 描述 . 表示任意一个字符 \s 空格字符(空格键.tab.换行.换页.回车) \S 非空字符串([^\s]) \d 一个数字(相当于[0-9]中间的任意一个数字) \D 一个非数字的字符(相当于[^0-9]非0-9的任意一个字符) \w 一个单词字符相当于(相当于[a-z,A-Z,0-9]) \W 一个非单词字符[^\w] ^ 一行的开始 $ 一行的结尾 \b 一个单词的边界 比如说两个两个单词之间的空格就是边界 \B 一个非单词的边界 [

python2.7对中文的支持不好是众所周知的,现在遇到这样一个需求,要匹配某个中文字符.查了一个资料,思路就是转化为unicode进行比较,记录如下: line = '参考答案: A' # gbk -> unicode # 看需要,这里是把gbk转化为unicode,也可以把utf-8转换为unicode line = line.decode('gbk').strip() # 匹配 '参考答案' 四个字 if re.match(u'^\u53c2\u8003\u7b54\u6848', lin

正则表达式 - JavaScript描述 概述 正则表达式是被用来匹配字符串中的字符组合的模式.在JavaScript中,正则表达式也是对象. 创建正则表达式 var re = /abc/; // 使用对象字面量 var re = new RegExp('ab+c'); // 调用构造函数 上面两种方法都可以用来创建正则表达式.如果正则表达式固定不变,建议使用第1种方法创建,这样性能会高一些.如果事先不知道要创建什么样的正则表达式则使用第2种方法.第1种方法的斜杠,第2中方法的单引号或者双引号,

目录: 一.正则函数 二.re模块调用 三.贪婪模式 四.分组 五.正则表达式修饰符 六.正则表达式模式 七.常见的正则表达式 导读: 想要使用python的正则表达式功能就需要调用re模块,re模块为高级字符串处理提供了正则表达式工具.模块中提供了不少有用的函数,比如:compile函数.match函数.search函数.findall函数.finditer函数.split函数.sub函数.subn函数等.接下来本文将会介绍这些函数的使用情况,然后通过分析编译流程对比两种re模块的调用方式,之

今天使用python2编码时遇到这样一条异常UnicodeDecodeError: ‘ascii’ code can’t decode byte 0xef 发现是编码问题,但是平常在python3中几乎没有遇到过,所以特意查了资料,原来python3和python2对于字符串的理解不一样,在python3中,字符串默认unicode编码 一.解释python2和python3文本处理方式 在Python3当中,文本字符串类型(使用Unicode数据存储)被命名为 str , 字节字符串类型被命名

python3.x和python2.x的区别:1.Python3.X源码文件默认使用utf-8编码,而python2.x的编译最前端需要加上#coding=utf-82.python3.x里打印print后面需要有括号,而在python2.x里打印print后面可以加括号也可以不加3.在python2.x里是raw_input和input函数 ,而在python3.x里面2个函数的功能合并为input函数了.4.在python2.x当中传统除法只取整数,python3.x传统除法会显示小数点后小

字符串一旦创建,不可修改,一旦修改或者拼接,都会造成重新生成字符串,因为内存存数据是一个挨着一个存的,如果增加一个字符串的话,之前的老位置只有一个地方,不够,这是原理性的东西,在其他语言里面也一样 7个必须要背会的方法 join split find strip upper lower replace 4个必须会的灰魔法 len for循环 索引 切片 1.字符串  str   所有的功能都放在 str里面了 n1 = "frank"  n2 = 'root'  n3 = "