用于在 python 中提取价格的正则表达式和 unicode

Question

我正在尝试从宜家网站提取一些价格，但价格格式非常混乱（空格、回车符 return、中间的逗号）。这是我提取的内容：

        39,90 €
                            ,

我用 Scrapy 来做这个，到目前为止没问题，除了我想摆脱所有不是价格（和欧元符号）的东西！

我尝试使用这个正则表达式（在 python 2.7 中）：

re(\S[0-9]+([ ,]?[ ])([0-9]{2}?)u"\u20AC")

我是编程新手，今天下午我学习了什么是正则表达式，但我尝试了大量的可能性，但没有得到比 :

更好的结果

SyntaxError: unexpected character after line continuation character

如果有人能花几分钟看看我做了什么，并告诉我哪里错了，那就太好了！

大家干杯

Answer 1

您要匹配的字符串类型是 unicode 还是 byte？

假设您正在使用 unicode 字符串，那么您的匹配项可能如下所示：

#!/usr/bin/python
import re

s = u"""        39,90 \u20AC
                  """
groups = re.match(ur'\D*(\d+)\D*(\d{0,2})\D*(\u20AC)', s, re.UNICODE)
print groups.groups()

输出：

(u'39', u'90', u'\u20ac')

字符串前面的

u表示这是unicode字符串

正则表达式解释：

\D* - 任何非数字零次或多次的东西
(\d+) - 一个或多个数字
\D* - ...
(\d{0,2}) - 零位或两位数
\D* - ...
(\u20AC) - unicode 货币符号

我们使用 \D、\d 和 re.UNICODE 标志，这样在 unicode 中被解释为数字或非数字的所有内容都会被匹配。

如果你使用字节串。我假设您正在使用 utf-8 字节字符串。那么：

import re

s = b"""        39,90 \xE2\x82\xAC
                  """

groups = re.match(r'\D*(\d+)\D*(\d{0,2})\D*(\xE2\x82\xAC)', s)
print groups.groups()

输出：

('39', '90', '\xe2\x82\xac')

"\xe2\x82\xac" 是 "e282ac" 字节序列，在 utf-8 编码中表示欧元符号。

良好做法称为 "Unicode sandwich"：

在输入时将字节解码为 unicode
仅使用 unicode
在输出时将 unicode 编码为字节

用于在 python 中提取价格的正则表达式和 unicode

Regular expression and unicode to extract a price in python

python

regex

unicode

euro