python 如何提取中的数据

[mysqlno2]

我现在有个表格，需要提出表中的<td>中的数据，<td>中的数据格式比较多样化，比如
<table>
<tr>
<td>序列号</td><td>DEIN3-39CD3-2093J3<td>
<td>日期</td><td>2013年1月22日</td>
<td>售价</td><td>392.70 元</td>
<td>说明</td><td>仅限5用户使用</td>
</tr>
</table>
现在我需要将表格中<td></td>中间的数据提出来 使用过字符串直接处理和re处理，但是处理到中文的时候都会出问题，请教如何解决

[zjs100901]

是 Python2.6 还是 Python3.0？

[mysqlno2]

版本是 2.7.3 系统 为 CENTOS

[zjs100901]

Python2.x 的默认字符串不是 Unicode 的。你在编码方面是怎么处理的？

[mysqlno2]

我想用 r'<td>(\w+)</td>' 去匹配 但是（\w+）只能匹配 字母和数字 还有_ 我现在的问题是里面还有一些特殊的符号 还有中文 用这个re 就不行了

[mysqlno2]

文件头部 是encoding utf-8 的

[mysqlno2]

要不升级到3.3？

[bugs2k]

#!/usr/bin/env python

lines = '''
<table>
    <tr>
        <td>序列号</td><td>DEIN3-39CD3-2093J3</td>
        <td>日期</td><td>2013年1月22日</td>
        <td>售价</td><td>392.70 元</td>
        <td>说明</td><td>仅限5用户使用</td>
    </tr>
</table>
'''

import re
m = re.findall(r'<td>(.*?)</td>', lines, re.I|re.M)
if m:
    for x in m:
        print x

[mysqlno2]

可是中文字符都变成了 \xbe\x23\x20\x9a..... 这种形式了

[mysqlno2]

还有假如我的html很长，但是我只想截取上面的从 序列号 开始，到 用户使用 这几个字符为止 这其中的字符串 该怎么截取 我用find 不行 start=s.find('序列号') end=s.find('用户使用') s=s[start:end] 这个办法报错

[bugs2k]

引用 8 楼 mysqlno2 的回复:

可是中文字符都变成了 \xbe\x23\x20\x9a..... 这种形式了

根据需要对字符串进行解码

lines = '''
<table>
    <tr>
        <td>序列号</td><td>DEIN3-39CD3-2093J3</td>
        <td>日期</td><td>2013年1月22日</td>
        <td>售价</td><td>392.70 元</td>
        <td>说明</td><td>仅限5用户使用</td>
    </tr>
</table>
'''.decode('gbk').encode('utf-8')

import re
m = re.findall(r'<td>(.*?)</td>', lines, re.I|re.M)
if m:
    for x in m:
        print x

[ImN1]

#7的不行么？ 做正则要抓特征，尽量用非贪婪方式 匹配和不匹配要协程不相容，那么边界就相当明显了 例如([^<]+)</td> 你这个例子，汉字开头可以算唯一了，但结尾不能确定的时候就扩大范围，不要把</td>作为结尾，而是后面遇到的</tr>，写作</td>\s*</tr>，这样结合子组和非贪婪就很准确了 \x的问题，encode 或 decode一下就行了，在已知编码时这个操作非常有效 另外 re.U 应该可行吧？

[mysqlno2]

获取到的列表LIST 为什么不能直接用下标来 赋值 比如 a=m[0] 然后提示下标错误？

[ImN1]

看看是不是空列表，就是没匹配到……

[mysqlno2]

列表明明是有元素的 但是就是不能取值 奇怪了 你print lst 可以 但是你print lst[0] 就不行了

[ImN1]

代码和出错信息

[libralibra]

中文不管编码,print出来都对的

>>> import re
>>> s = '''<table>
<tr>
<td>序列号</td><td>DEIN3-39CD3-2093J3</td>
<td>日期</td><td>2013年1月22日</td>
<td>售价</td><td>392.70 元</td>
<td>说明</td><td>仅限5用户使用</td>
</tr>
</table>'''
>>> res = r'<td>(.*?)</td><td>(.*?)</td>'
>>> m = re.findall(res,s,re.S|re.M)
>>> m
[('\xd0\xf2\xc1\xd0\xba\xc5', 'DEIN3-39CD3-2093J3'), ('\xc8\xd5\xc6\xda', '2013\xc4\xea1\xd4\xc222\xc8\xd5'), ('\xca\xdb\xbc\xdb', '392.70 \xd4\xaa'), ('\xcb\xb5\xc3\xf7', '\xbd\xf6\xcf\xde5\xd3\xc3\xbb\xa7\xca\xb9\xd3\xc3')]
>>> for line in m:
	print line[0],line[1]

	
序列号 DEIN3-39CD3-2093J3
日期 2013年1月22日
售价 392.70 元
说明 仅限5用户使用
>>> 

[A900616A]

貌似要用那个正则表达式