同是str类型,为什么一个有返回值,一个没有?

[lioujian47]

两次调用getcontent(),只有一次能输出:(

def body(url1,url2):
    try:
        txt = urllib.urlopen(url1).read()
    except Exception, e:
        txt = urllib.urlopen(url2).read()
    txt = unicode(txt,"gbk")
    parser = html2txt()
    parser.feed(txt)
    parser.close()
    #print type(parser.text)  #<type 'unicode'>
    return parser.text
def cr2n(txt):
    #data = re.sub('(\s|\xa0)+','',txt.encode("gbk"))
    #data = data.replace('<NEWLINE>',"\n").strip()
    p = re.compile(r'(。|！|……|】)')
    t = p.sub('。\n',txt.encode("gbk"))
    #print type(t) # t is str
    return t
def getcontent(ar,txt):
    ctent = re.findall(ar,txt)
    for i in ctent:
        print i

url1 = 'http://docs.google.com/Doc?id=d8b2mxm_107cc3mgqgr' #
url2 = 'http://docs.google.com/Doc?id=d8b2mxm_107cc3mgqgr' #暂时用一样的

test = '需要匹配这个。'  # test是str
ar = '匹配'

k = cr2n(body(url1,url2)) #k 是 str
getcontent(ar,k)#这个没有输出:(
getcontent(ar,test) #这个工作正确

[wx红杉树]

不是，只是按你设置的解码格式解码而已。

[lioujian47]

困扰了我2天一夜.
我才发现原来是我的正则有问题.
谢谢你了

[lioujian47]

txt = unicode(txt,"gbk")

要改成

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

这就意味着,当抓取一个html的时候必须要看他的charset咯?