如何在与Python中的regex匹配的同时处理diacritics

Question

试图将正则表达式与unicode一起使用，html转义用于diacritics：

#!/usr/bin/python
# -*- coding: utf-8 -*-
import re
htmlstring=u'''/">čćđš</a>.../">España</a>'''

print re.findall( r'/">(.*?)</a', htmlstring, re.U )

生产：

[u'\u010d\u0107\u0111\u0161', u'Espa\xf1a']

有什么帮助吗？

Answer 1

这似乎是一个编码问题。您的代码正在正常工作。你期待的是什么不同的东西吗？以u为前缀的字符串是unicode文本。以\u开头的字符是unicode字符，后面是四个十六进制数字，而以\x开头的字符是unicode字符，后面只有两个十六进制数字。如果您打印出您的结果(而不是查看他们的__repr__方法)，您将看到您已经收到了您正在寻找的结果：

results = [u'\u010d\u0107\u0111\u0161', u'Espa\xf1a']
for result in results:
    print result

čćđš
España

在代码(即列表中)中，您可以看到这些unicode文本的表示：

for result in results:
    print result.__repr__()

u'\u010d\u0107\u0111\u0161'        # what shows up in your list
u'Espa\xf1a'

顺便说一句，您似乎正在尝试用regexes解析html。您应该尝试使用BeautifulSoup或类似的方法。这会让你在路上省去一大阵头痛。