正则表达式的中文搜索

这几天在研究爬虫，想在抓回来的文本中找出中文来，就捎带着研究了一下正则。没想到一如侯门深似海。

关于正则，有个很出名的笑话：有个程序员遇到了问题，他决定要用正则表达式去解决。现在他有了两个问题。（实用正则的时候肯定会有问题，而原来的问题依然还在）

还有这样一个笑话：给一个程序员正则表达式，他会拿着去匹配出字符；教给他如何实用正则表达式，你会得到一个浑身是问题的人。

（原谅我这生硬的翻译。）

通过so.com查询关键字，会得到一个utf-8 编码的字符串，当查询科技的时候：

 suggest_so({"query":"科技","result":[{"word":"科技美学"},{"word":"科技苑"},{"word":"科技小制作大全"},{"word":"科技管理研究"},{"word":"科技网"},{"word":"科技少女喵","obdata":"{\"t\":\"video\"}"},{"word":"科技部"},{"word":"科技日报"},{"word":"科技超能王","obdata":"{\"mt\":\"novel_free\",\"md\":[\"http:\/\/p3.qhimg.com\/dr\/80_100_100\/t0155de86b15e45143c.jpg\",\"\u79d1\u6280\u8d85\u80fd\u738b\",\"\u516c\u5143\u524d\u7684\u72d0\",\"http:\/\/m.leidian.com\/ebook\/detail\/152564325945203970?src=m_so\"]}"},{"word":"科技皇朝",\"md\":[\"\",\"\u79d1\u6280\u7687\u671d\",\"\u7b14\u6307\u6c5f\u5c71\",\"http:\/\/m.leidian.com\/ebook\/detail\/11001634457921487175?src=m_so\"]}"}],"version":"2.10"});

我们想要的是后面那个字典。但是直接转换，或者split之类的基本都不行。这样就要拿出正则表达式来匹配了。

很显然，我们想要的是每个“ ”中间的中文。我去网上查中文的匹配，发现每篇文章都一样，只是提了中文的utf-8的范围：

unicode中中文的编码为\u4e00-\u9fa5

最让我失望的是，谷歌的第一页的中文文章几乎都一模一样。

于是我就直接去匹配中文，正则表达式如下：

"\"[\u4e00-\u9fa5]+\""

解释一下，外面的引号代表这是个字符串，里面的\"是转义的"，因为“在字符串中有其他定义，想要搜索”就要加\使其保持原来的意义。

中括号内\u指的是unicode，4e00-9fa5则是中文的范围。中括号内的意思就是这个范围内的任何一个。

后面的＋指的是前面那个表达式的一个或多个，也就是中括号内的一个或多个。

结果我得到的是一堆“:”的重复。我百思不得其解，怀疑是编码的问题。把上面那个字符串命名为html

html_code = html.decode('utf8')

再搜索，发现只搜出了空集。

＊＊＊＊＊经过了很久很久＊＊＊＊＊＊

后来发现字符串也需要标注是unicode

u"\"[\u4e00-\u9fa5]+\""

嗯，就这样解决了。不过搜索出来的还是结果带着“”，我只想要其中的关键字。就把想要取出的词加上小括号即可。

u"\"([\u4e00-\u9fa5]+)\""

代码是这个样子的：

html_code = html.decode('utf8')
    pattern = re.compile(u"\"([\u4e00-\u9fa5]+)\"")
    results = pattern.findall(html_code)
    for result in results:
        print "%s" %result

结果是：

科技
科技美学
科技苑
科技小制作大全
科技管理研究
科技网
科技少女喵
科技部
科技日报
科技超能王
科技皇朝

PS:其实没有必要写这篇文章的，但是实在是太郁闷了。等我抽出身了，一定要好好研究正则表达式。
————————————

github主页：https://github.com/gt11799

E-mail：[e-mail]