Python 正则表达式匹配因 UTF-8 字符而失败

Question

我有一个 selenium/python 项目，它使用正则表达式匹配来查找 html 元素。这些元素属性有时包括丹麦语/挪威语字符 ÆØÅ。问题出在下面的代码片段中:

if (re.match(regexp_expression, compare_string)):
    result = True
else :
    result = False

regex_expression 和 compare_string 都在执行正则表达式匹配之前进行操作。如果我在执行上面的代码片段之前打印它们，并打印结果，我会得到以下输出:

Regex_expression: [^log på$]
compare string: [log på]
result = false

我加上括号以确保没有空格。它们只是打印语句的一部分，而不是字符串变量的一部分。

如果我尝试在单独的脚本中重现该问题，如下所示:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import re

regexp_expression  = "^log på$"
compare_string = "log på"

if (re.match(regexp_expression, compare_string)):
    print("result true")
    result = True
else :
    print("result = false")
    result = False

那么结果为真。

这怎么可能？ 更奇怪的是，它工作得更早，我不确定我编辑了什么，让它变得繁荣......

正则表达式比较方法的完整模块如下。我自己没有编写代码，所以我不是 100% 熟悉所有替换语句和字符串操作的原因，但我认为这无关紧要，因为我可以在匹配方法失败之前检查字符串在底部...

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import re

def regexp_compare(regexp_expression, compare_string):
    #final int DOTALL
    #try:    // include try catch for "PatternSyntaxException" while testing/including a new symbol in this method..

    #catch(PatternSyntaxException e):
    #    System.out.println("Regexp>>"+regexp_expression)
    #    e.printStackTrace()
    #*/


    if(not compare_string.strip() and (not regexp_expression.strip() or regexp_expression.strip().lower() == "*".lower()) or (regexp_expression.strip().lower() == ".*".lower())):
        print("return 1")
        return True                

    if(not compare_string or not regexp_expression):
        print("return 2")
        return False                

    regexp_expression = regexp_expression.lower()
    compare_string = compare_string.lower()

    if(not regexp_expression.strip()): 
        regexp_expression = ""

    if(not compare_string.strip() and (not regexp_expression.strip() or regexp_expression.strip().lower() == "*".lower()) or (regexp_expression.strip().lower() == ".*".lower())):
        regexp_expression = ""
    else:

        regexp_expression = regexp_expression.replace("\\","\\\\")
        regexp_expression = regexp_expression.replace("\\.","\\\\.")
        regexp_expression = regexp_expression.replace("\\*", ".*")
        regexp_expression = regexp_expression.replace("\\(", "\\\\(")
        regexp_expression = regexp_expression.replace("\\)", "\\\\)")           
        regexp_expression_arr = regexp_expression.split("|")
        regexp_expression = ""

        for i in range(0, len(regexp_expression_arr)):
            if(not(regexp_expression_arr[i].startswith("^"))):
                regexp_expression_arr[i] = "^"+regexp_expression_arr[i]

            if(not(regexp_expression_arr[i].endswith("$"))):
                regexp_expression_arr[i] = regexp_expression_arr[i]+"$"

            regexp_expression = regexp_expression_arr[i] if regexp_expression == "" else regexp_expression+"|"+regexp_expression_arr[i]  




    result = None        

    print("Regex_expression: [" + regexp_expression+"]")
    print("compare string: [" + compare_string+"]")

    if (re.match(regexp_expression, compare_string)):
        print("result true")
        result = True
    else :
        print("result = false")
        result = False

    print("return result")
    return result

Answer 1

您可能正在比较 unicode 字符串和非 unicode 字符串。

例如，在下面:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import re

regexp_expression  = "^log på$"
compare_string = u"log på"

if (re.match(regexp_expression, compare_string)):
    print("result true")
    result = True
else :
    print("result = false")
    result = False

您将得到输出 False。因此，在您的操作中可能有一点不是 unicode。

同样的错误也会导致以下结果:

regexp_expression  = u"^log på$"
compare_string = "log på"