python - 正则表达式不能与 python 一起正常工作

Question

我有这个代码

site = hxs.select("//h1[@class='state']")
mydata = site.select("string()").extract()
cleaned_mydata = re.sub(ur'(\s)\s+', ur'\1', mydata[0], flags=re.MULTILINE + re.UNICODE)

        log.msg(str(mydata),level=log.ERROR)
        log.msg(str(cleaned_mydata),level=log.ERROR)

第一个输出是

ERROR: [u'\r\n 212\r\n jobs containing php in xxxx \r\n ']

其他输出是

jobs containing php in xxxxxx

regex 也去除了 212 数字。我该如何解决这个问题

Answer 1

问题是这个正则表达式会留下它找到的第一个空格，而只去除后续的空格。

这意味着

u'\r\n 212\r\n jobs containing php in xxxx \r\n '

成为

u'\r212\rjobs containing php in xxxx '

打印时，212 将被打印，然后回车会将光标返回到第一列，以便后面的 jobs... 将覆盖 212。

这提出了两个问题:

• 您似乎正在以二进制模式读取文本文件(否则 \r\n 会被规范化为 \n)- 为什么？
• 您真的希望正则表达式以这种方式工作吗？

编辑:

所以，根据你的评论，你想要

• 完全去除前导和尾随空格
• 将多个连续的空白字符压缩成一个空格 (ASCII 32)。

然后使用

cleaned_mydata = re.sub(r'\s+', ' ', mydata[0].strip())