python 爬虫匹配中文总是失败？

Question

向各位大神请教个问题，初学python，我想提取"DJ00123987"和"号: DJ00123987"的部分，但是匹配中文总是失败。请问这是为什么？另外正则表达式的中文和空格应该怎么匹配？谢谢！编码格式都为UTF-8。

import re
html = '<span>微信号：DJ00123987</span>'
print html
a = re.search(u'<span>微信号: (.*?)</span>', html, re.S).group(1)
b = re.search(u'<span>微信(.*?)</span>', html, re.S).group(1)
print a,b

Answer 1

html 漏了u？
另外看下你整个文件保存的字符集，不然即使你加了u，如果文件是GBK的那么也可能遇到一些意外的问题。

Answer 2

1. 字符集不同，如@DDTDDT 所说，你的html缺了unicode的标记u，但是正则表达式却用了unicode

2. 你的微信号后面的冒号，一个是半角，一个是全角

Answer 3

可以使用Beautiful Soup

Answer 4

你正则表达式是 unicode 编码的，你的 html 是字符串类型的，在 python2 中中文字符一般设置成的是utf-8编码，你用 unicode 字符串的正则去获取 utf-8 编码的字符串当然就匹配失败了。

建议将 html 用 unicode 编码。

也就是拿到 utf-8 编码的html后 ，content = html.decode('utf-8')

再用正则匹配 content