您当前的位置: 使用的是Python 3.2
1.网页UTF-8的编码，下面是提取网页源码的代码
- Python code
opener = ur.build_opener(ur.HTTPCookieProcessor(http.cookiejar.CookieJar()))
opener.addheaders=[('User-agent', 'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; .NET CLR 1.1.4322)')]
html = opener.open(self.m_url)
html = html.read().decode('utf-8')
网页代码片段如下：
- HTML code
<div class="actifl">
<h2>中文文字</h2>
2.然后我用正则表达式提取 我摘下来的网页片段 "中文文字" 可以正常提取
- Python code
regx='<div class=\"actifl\">(.*?)<h2>(?P<title>.*?)</h2>'
pattern = re.compile(regx,re.U|re.S)
match1 = pattern.match('<div class=\"actifl\"> \n<h2>中文文字</h2>')
3.但是如果提取直接从网上down下来的html 总是失败
- Python code
regx='<div class=\"actifl\">(.*?)<h2>(?P<title>.*?)</h2>' pattern2 = re.compile(regx,re.U|re.S) match2 = pattern2.match(html)
可能是变量html的问题，难道是编码的原因？还是正则的问题？
PS：
（1）.我如果读取一个文本文，open('1.txt','r')是不是默认用gbk解码？
我如果要读取的文件是utf-8的，是不是需要
f=open('1.txt','rb')
f=f.decode('utf-8')
这样f就是unicode字符串了吧？
（2）. print ()到底接受什么类型的参数啊？
print ('111')
假设 var 是bytes 类型的
print (var.decode('utf-8')) 为啥会报错呀~~
var.decode('utf-8') 和 '111' 不都是str类型的吗？
谢谢大家了
------解决方案--------------------
贴你要匹配的网页的html代码,好不