※ 引述《poopoo888888 (阿川)》之铭言： : : cmd是指黑底的吗?? 黑底的应该比较容易正常说 虽然都转成unicode就没事了 : : 我测试直接urllib2抓网页 有下面的结果 : : http://dl.dropbox.com/u/24628527/TEST.PNG : : 用unicode来看都还蛮正常的 ( 用str不正常就不提了... windows oooos) : : 然後我也用了re (想学一直没空 我抄你的程式码) 有以下的结果 : : http://dl.dropbox.com/u/24628527/test2.PNG : : 当然在黑底的cmd也是没问题 : : 上面是在 windows xp : : python 2.5.4 测试的 : : 蛮好奇你怎麽抓不出来@_@a : 谢谢各位大大的帮忙！ : 我学KSJ大直接用re去处理fetch到的网页原始码 : 甚至不需要decode就可以正确显示那些中文字 : response = urllib.urlopen(url) : page = response.read() 我有试着把page直接开档案写入txt看看 结果是正确的字 代表idle的"print"在显示上出了点问题 不过cmd的没有 : number = re.findall(u"frmlist.no.value='(.+)';frmlist.foreigner.value", : page) 这边用u似乎很怪 里面没有ascii之外的字 在str里找unicode的字还蛮特别的 不过找得到也ok 在这里print number时又是正常的了 最底下会稍稍讨论一下我的想法 : for n in number: : print n : （其实这边我满疑惑的　我没做decode　表示收到的是网页原始的big5编码资料 : 　在windows XP用cp950编码的cmd模式下为什麽可以正确显示？） : 至於我用BeautifulSoup先parse再做re而遇到的问题　则出在这里： : page = response.read() : u_page = page.decode('big5') : tags = BeautifulSoup(u_page).findAll('a') : 这样decode时会出错 : 改成u_page = page.decode('big5', 'ignore')就可以了 : 但我却有了新的疑问 : 为什麽要加上'ignore'参数？ : 是叫它忽略掉看不懂的byte吗 没错 : 又为什麽会有看不懂的byte呢　是因为big5看不懂某些中文字吗？ 这个问题...decode的时候不是会报错吗? Traceback (most recent call last): File "C:\Users\ksj\Desktop\tt.py", line 16, in <module> content.decode("cp950")) UnicodeDecodeError: 'cp950' codec can't decode bytes in position 141699-141700: illegal multibyte sequence 找找位置 你会发现 这个字是 "铟" 是个简体字 为什麽有简体字 为什麽网页上的big5可以正常显示...这个我不知道...orz 我认为是这些big5(pyton里的)编不出来的字 造成idle print显示上的错误 (但值是对的) 而用re找的时候 似乎没有编不编码的问题 直接str下去对 自然不会有这个错误 也许beautifulsoup自动忽略编码错误也说不定 我没用过@_@ 有错请指正 感恩~ : 不好意思　新手上路　问题有点多 : 谢谢大家 : P.S. : KSJ大　我找到一份不错的学re资源跟您分享 : http://www.diveintopython.net/regular_expressions/index.html 谢谢你的分享~ --

※ 发信站: 批踢踢实业坊(ptt.cc) ◆ From: 140.112.63.202