我试图从宜家网站上提取一些价格,但价格格式非常困惑(空格、回车符、中间的逗号)。这是我提取的:
39,90 €
,
我使用Scrapy来做到这一点,到目前为止没有问题,除了我想摆脱所有不是价格的东西(和欧元符号)!
我尝试使用这个正则表达式(在 python 2.7 中):
re(\S[0-9]+([ ,]?[ ])([0-9]{2}?)u"\u20AC")
我是编程新手,今天下午我学习了什么是正则表达式,但我尝试了很多可能性,但没有得到比以下更好的结果:
SyntaxError: unexpected character after line continuation character
如果有人能花几分钟看看我做了什么并告诉我哪里错了,那就太好了!
大家一起加油
最佳答案
您尝试匹配 unicode 或 byte 的字符串类型是什么?
假设您正在使用 unicode 字符串,那么您的匹配可能如下所示:
#!/usr/bin/python
import re
s = u""" 39,90 \u20AC
"""
groups = re.match(ur'\D*(\d+)\D*(\d{0,2})\D*(\u20AC)', s, re.UNICODE)
print groups.groups()
输出:
(u'39', u'90', u'\u20ac')
字符串前面的u表示这是unicode字符串。
正则表达式解释:
- \D* - 任何非数字零次或多次的内容
- (\d+) - 一位或多位数字
- \D* - ...
- (\d{0,2}) - 零或两位数字
- \D* - ...
- (\u20AC) - unicode 货币符号
我们使用\D、\d 以及 re.UNICODE标记,以便将 unicode 中被解释为数字或非数字的所有内容进行匹配。
如果使用字节字符串。我假设您正在使用 utf-8 字节字符串。然后:
import re
s = b""" 39,90 \xE2\x82\xAC
"""
groups = re.match(r'\D*(\d+)\D*(\d{0,2})\D*(\xE2\x82\xAC)', s)
print groups.groups()
输出:
('39', '90', '\xe2\x82\xac')
“\xe2\x82\xac”是“e282ac”字节序列,在utf-8编码中表示欧元符号。
称为“Unicode 三明治”的良好做法:
- 将输入的字节解码为 unicode
- 仅使用 unicode
- 在输出时将 unicode 编码为字节
关于python - 正则表达式和unicode在python中提取价格,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/34109511/