python - 正则表达式和unicode在python中提取价格

Question

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

Answer 1

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:

1. \D* - 任何非数字零次或多次的内容
2. (\d+) - 一位或多位数字
3. \D* - ...
4. (\d{0,2}) - 零或两位数字
5. \D* - ...
6. (\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:

1. 将输入的字节解码为 un​​icode
2. 仅使用 unicode
3. 在输出时将 unicode 编码为字节