Skip to main content
 首页 » 编程设计

Python re.findall 在 UTF-8 下失败,而其余脚本成功

2025年05月04日1698°冷暖

我有这个脚本可以读取大量用瑞典语编写的文本文件(通常带有 åäö 字母)。如果我遍历 d 和 dictionary[],它会打印字典中的所有内容。但是,正则表达式(来自添加了 u'.*' 的原始输入)无法正确返回 utf-8。

# -*- coding: utf8 -*- 
from os import listdir  
import re 
import codecs 
import sys 
 
print "Välkommen till SOU-sök!" 
search_word = raw_input("Ange sökord: ") 
 
dictionary = {} 
for filename in listdir("20tal"): 
    with open("20tal/" + filename) as currentfile: 
        text = currentfile.read() 
        dictionary[filename] = text 
 
for d in dictionary: 
    result = re.findall(search_word + u'.*', dictionary[d], re.UNICODE) 
    if len(result) > 0: 
        print "Filnament är:\n %s \noch sökresultatet är:\n %s" % (d, result) 

编辑:输出如下:

如果我输入:

katt  

我得到以下输出:

Filnament är: Betänkande och förslag angående vissa ekonomiska spörsmål   berörande enskilda järnvägar - SOU 1929:2.txt  
 
och sökresultatet är:  
 
['katter, r\xc3\xa4ntor m. m.', 'katter m- m., men exklusive r \xc3\xa4 nor m.', 'kattemedel subventionerar', av totalkostnaderna, ofta \xe2\x80\x94 med eller utan', 'kattas den nuvarande bilparkens kapitalv\xc3\xa4rde till 500 milj.  

这里,文件名 d 被正确打印,但不是 re.findall

的结果

请您参考如下方法:

在 Python 2.x 中,unicode 列表项通常输出转义,除非您遍历每个项或加入它们;也许尝试这样的事情:

result = ', '.join(result) 
 
if len(result) > 0: 
    print ( u"Filnament är:\n %s \noch sökresultatet är:\n %s" % (d, result.decode('utf-8')))  

输入:

katt 

结果:

katter, räntor m. m. katter m- m., men exklusive r ä nor m. kattemedel subventionerar av totalkostnaderna, ofta — med eller utan kattas den nuvarande bilparkens kapitalvärde till 500 milj