Python 2.7版：在搜索韓國

Question

具體文字我想解析URL地址以HTML看起來像這樣：

<tr> 
    <th scope="row">채용부문</th> 
    <td>서비스 개발</td> 
</tr> 

（這只是一個例子，還有更多的韓國混有英語和HTML標籤等）

而且在找到채용부문所有網址中，<th>標籤（同一個詞），我想提取서비스개발（這個詞是不同的無處不在），並說，它存儲在數據庫中。

這樣做的最好方法是什麼？

我沒有運氣，使用Code Table Korean Hangul的代碼，但我想我只是做錯了什麼。例如：使用字符串'\uC9C0'（代碼爲지）作爲關鍵字並沒有幫助我找到字地址。

任何幫助表示讚賞。

Answer 1

我想你遇到字符編碼問題。我不懂韓文。但我可以給你一箇中國的例子，也許你可以從中學習。

的1.txt：

<tr> 
    <th scope="row">我們</th> 
    <td>我們是冠軍</td> 
</tr> 

a.py：

# coding=utf-8 
with open("1.txt") as f: 
    for line in f: 
     can_line = line.decode('gbk') # line 1 
     pos = can_line.find(u'冠軍') # line 2 
     if pos >= 0: 
      print line 

上面的代碼將輸出：

<td>我們是冠軍</td> 

但是，如果我們沒有一號線，也不要在你想在第二行找到的關鍵字前加'u'，你什麼也得不到。

這裏你必須知道python內部將使用unicode來存儲東西，line1會將行（使用gbk編碼）更改爲unicode，而line2也會將'冠軍'（使用utf-8編碼）更改爲unicode，所以兩個unicode可以比較，然後找到作品。

我不確定它是如何在韓國語言中工作的，但我認爲東亞語言也許類似，只是FYI。