python-re之中文匹配

#coding=utf-8
import re
import chardet#檢測網頁編碼形式的模塊
  
p = re.compile(r'\d+')  
print p.findall('one1two2three3four4')  

a="rewfd231321ewq21weqeqw"
p=re.compile(r"(\d+)\D+(\d+)",re.S)
b=p.findall(a)
print b

a=u"我愛@糗百，你呢"
print a
b=re.findall (u"(.+?)@糗百(.+)",a,re.S)
print b
for i in b:
    for j in i:
        print j

結果：

['1', '2', '3', '4']
[('231321', '21')] #findall的結果是[(),()]這種形式的，如果元組只有一個元素，則是["",""]這樣子的
我愛@糗百，你呢
[(u'\u6211\u7231', u'\uff0c\u4f60\u5462')]
我愛
，你呢

——————————————————————————————————————————

如果不知道漢字文本的編碼，比如說是一段網上爬來的文字（通常情況下就是不知道的）

import re
import chardet#檢測網頁編碼形式的模塊
  
a="我愛@糗百，你呢"
if isinstance(a, unicode) :
    pass
else:
    codesty=chardet.detect(a)
    a=a.decode(codesty['encoding'])
print a
b=re.findall (u"(.+?)@糗百(.+)",a,re.S)
print b
for i in b:
    for j in i:
        print j

則利用chardet這個模塊得到它的編碼，並將其轉化為unicode

結果：

我愛@糗百，你呢
[(u'\u6211\u7231', u'\uff0c\u4f60\u5462')]
我愛
，你呢

 

當然，如果想雙擊,py在windows下演示，得到的字符串應該再加j.encode("GBK")

注意：處理中文前要將其轉化為unicode，不要ascii碼直接正則匹配，ascII碼如何轉Unicode?遇到再說吧~