[問題] 一個抓資料的問題
我現正在抓一個網頁上的資料
http://service.moj.gov.tw/lawer/associList.asp?associName=%A5x%ABn%AB%DF%AEv%A4%BD%B7|
網頁有大量像這樣的原始碼
<td width='16%'><font size='4' face='標楷體' color='#000080'>
<a href='data1.asp'
onclick="javascript:event.returnValue=false;frmlist.name.value='尤挹華
';frmlist.no.value='(81)臺檢證字第1951號
';frmlist.foreigner.value='';frmlist.action=this.href;frmlist.submit();"'>尤挹
華</a></font>
</td>
我的目標是把其中的「(81)臺檢證字第1951號」給抓出來
本以為用re會輕鬆解決 卻怎麼抓都是亂碼
我的code如下
tags = BeautifulSoup(page).findAll('a') #page為網頁的source code
for tag in tags:
number = re.search("frmlist.no.value='(.+)';frmlist.foreigner.value",
str(tag)).group(1)
print number
在cmd下看到的都是亂碼
無論用big5 utf-8 cp950去對number做decode或是encode都沒用
想請問怎麼會這樣呢？
是因為re無法處理中文嗎？
煩請大大們解惑
謝謝！
--
※ 發信站: 批踢踢實業坊(ptt.cc)
◆ From: 61.231.27.129
→
11/01 00:19, , 1F
11/01 00:19, 1F
推
11/01 00:26, , 2F
11/01 00:26, 2F
→
11/01 02:21, , 3F
11/01 02:21, 3F
不好意思忘記講 我是用windows XP
python 2.5
推
11/01 03:47, , 4F
11/01 03:47, 4F
我是用notepad++ 請問text editor如何影響這部份呢？
推
11/01 10:40, , 5F
11/01 10:40, 5F
不行耶 用latin去encode會失敗
※ 編輯: poopoo888888 來自: 218.166.198.127 (11/01 19:24)
→
11/01 21:57, , 6F
11/01 21:57, 6F
→
11/01 21:58, , 7F
11/01 21:58, 7F
→
11/01 22:10, , 8F
11/01 22:10, 8F
很謝謝你 但出來還是亂碼耶
只有抓這個網頁是亂碼 其他地方的中文都沒問題
※ 編輯: poopoo888888 來自: 61.231.27.37 (11/02 19:10)
→
11/03 05:00, , 9F
11/03 05:00, 9F
→
11/03 10:21, , 10F
11/03 10:21, 10F
討論串 (同標題文章)
完整討論串 (本文為第 1 之 4 篇)：
3
10
Python 近期熱門文章
PTT數位生活區 即時熱門文章
