Я хочу найти что-нибудь с ре на иврите:
page = urlopen(url)
page_content = page.read()
founds = re.findall("מילים בעברית", page_content)
ошибка: SyntaxError: не-ASCII-символ '\xec' в файле C:/Users/User/untitled/milimBeIvrit.py в строке 12, но кодировка не объявлена; см. http://python.org/dev/peps/pep-0263/ для подробности
Да, re может обрабатывать utf-8 строк.
Вы можете изменить кодировку по умолчанию, если хотите (но это не обязательно)
>>> import sys
>>> import re
>>> sys.getdefaultencoding()
'ascii'
Моя кодировка по умолчанию — ascii, и все еще работает следующее:
>>> a='אבא בא'
>>> results = re.findall("א", a)
>>> results
['\xd7\x90', '\xd7\x90', '\xd7\x90']
Для печати в удобочитаемом формате используйте print:
>>> for r in results:
... print r
א
א
א
Обратите внимание, что idle имеет некоторые проблемы с обработкой utf8, поэтому можно рассмотреть возможность использования IDE, например PyCharm.
Вы не говорите, это Python 2 или 3.... Если Python 2 - то придется играться с кодированием и декодированием, а родного юникода нет.
Однако в Python 3 - я бы сделал это так... Извините, я не могу хорошо работать с ивритом - вместо этого небольшой арабский пример... но принцип тот же.
import re
sentance='المتساقطة، تحت. من كردة مسارح قُدُماً ضرب, لان بشكل أكثر'
fs=re.search('لان', sentance)
if fs:
print("Found it")
Я понятия не имею, что такое арабское выражение — я взял его с http://generator.lorem-ipsum.info/_arabic.
Я должен подчеркнуть - текст Unicode прост в Python3, но гораздо сложнее в Python 2....
Точно так же, как мой арабский пример - с использованием ивритских знаний-ipsum (о существовании которых я не знал до 30 секунд назад).
import re
sen2="רביעי ביולוגיה את אתה. מתן של מיזם המלצת ליצירתה, גם שכל חשמל אדריכלות למתחילים. צילום הבאים בעברית אחד בה. בדף או ריקוד מונחים לחשבון, ב הקהילה רב־לשוני זכר, וספציפיים האנציקלופדיה אל חפש. מתן אל נפלו עזרה אנתרופולוגיה."
fs=re.search('בדף',sen2)
if fs:
print("Found it")
Мне кажется нормально....
