我正在从瑞典语网页中提取信息。此页面使用的字符如下：öäå。
我的问题是，当我打印信息时，它们就消失了。
我正在使用 Beautiful Soup 提取信息。我认为问题在于我对提取的字符串执行了一堆正则表达式，例如location = re.sub(r'([^\w])+', '', location)删除除字母之外的所有内容。在此之前，我猜测 Beautiful Soup 对字符串进行了编码，以便 öäå 变成类似 /x02/ 的十六进制值。
因此，如果我是正确的，那么正则表达式将删除 öäå，对吧，我的意思是，十六进制字符中唯一应该留下的是正则表达式之后的 x，但是我的页面上没有 x 代替 öäå，所以这小理论也许不正确？无论如何，无论是对还是错，你如何解决这个问题？当我稍后将提取的信息打印到我的网页时，我在谷歌应用程序引擎中使用 self.response.out.write() （不知道这是否有助于解决问题）
编辑：瑞典网站上的编码是utf-8，我网站上的编码也是utf-8。
EDIT2：您可以对瑞典语使用 ISO-8859-10，但根据 google chrome，此特定站点上的编码是 Unicode(utf-8)
始终以 unicode 工作并且仅在必要时转换为编码表示。
对于这种特殊情况，您还需要使用re.U http://docs.python.org/library/re.html#re.U标记如此\w匹配 unicode 字母：
#coding: utf-8
import re
location = "öäå".decode('utf-8')
location = re.sub(r'([^\w])+', '', location, flags=re.U)
print location # prints öäå
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
