在正则表达式中使用Unicode（希伯来字符）

Question

我编写了一个脚本，用于在网页中查找表达式：

import sre, urllib2, sys, BaseHTTPServer
# -*- coding: utf-8 -*-    
address = sys.argv[1]
web_handle = urllib2.urlopen(address)
website_text = website_handle.read()    
matches = sre.findall(u"עברית", website_text)
for item in matches:
    print iten

如果我使用“普通”的正则表达式（不包含希伯来字符），那么此脚本可以工作，但如果我使用它们，则无法匹配任何内容。

编辑 示例： url = https://en.wikipedia.org/wiki/Category:Countries

- Sanich

---

它为什么不工作？你收到错误消息吗？它是否完全无法匹配任何内容？它是否匹配了不同的内容？请提供示例。 - Prune

完全不匹配任何东西 - Sanich

你使用的是哪个版本的Python，并且能给我们一个测试URL吗？另外，只是一个小提醒，nsregularexpression 是苹果特定实现的正则表达式。我已经为您将该标签更换为标准的正则表达式标签。 - ArtOfWarfare

我不知道 - 这很简单。你能试一些更简单的例子吗？比如在一个短字符串中找到一个字母（比如贝特或吉梅尔）？你能在自身的副本中找到该字符串，例如sre.findall(u"עברית", u"עברית")吗？ - Prune

@Prune - 我将re.findall(u"עברית", u"עברית")直接粘贴到2.7.9 REPL中，它可以正常工作。我认为如果Sanich给我们一个要测试的URL，我们才能回答这个问题。 - ArtOfWarfare

Answer 1

您需要确保输入字符串也是UTF8格式。

使用unicode函数，将utf-8作为第二个参数：

website_text = unicode(website_text, "utf-8")

在Python 2中，要使unicode正常工作，所有内容都需要使用一致的编码。

- Wiktor Stribiżew