Python-regex-排序日语地址

我得删除很多日语地址。这个正则表达式在两个正则表达式测试站点上工作，但是我在我的Windows终端上没有得到相同的结果；我正在Windows7上使用Python 2.7.8

以下是pythonregex.com的结果：

string = "北海道札幌市西区二十四軒１条７丁目"
regex = re.compile("(.{2,3}?[県|道|府|都]{1})?((?:.+?市.+?区)|(?:.+?郡.+?町)|(?:.+?[市|区|町|村]))?([^0-9]+)?([0-9]+)?(?:[－|-]([0-9-]+))?")
r = regex.search(string)
r
<_sre.SRE_Match object at 0x350aeaba58a52420>
regex.match(string)
<_sre.SRE_Match object at 0x350aeaba58a524e8>

# List the groups found
r.groups()
(u'\u5317\u6d77\u9053', u'\u672d\u5e4c\u5e02\u897f\u533a',u'\u4e8c\u5341\u56db\u8ed2\uff11\u6761\uff17\u4e01\u76ee', None, None)

但在我的终端上，相同的代码会产生以下结果：

regex = re.compile("(.{2,3}?[県|道|府|都]{1})?((?:.+?市.+?区)|(?:.+?郡.+?町)|(?:.+?[市|町|村]))?([^0-9]+)?([0-9]+)?(?:[－|-]([0-9-]+))?")
r = regex.search(string)
r
<_sre.SRE_Match object at 0x00000000020FED20>
r.groups()
(None, '\x96k\x8aC\x93\xb9\x8eD\x96y\x8es\x90\xbc\x8b\xe6','\x93\xf1\x8f\\\x8el\x8c\xac\x82P\x8f\xf0\x82V\x92\x9a\x96\xda', None, None)

regex=re.compile（（.{2,3}）[県|道|府|都]{1})?((?:.+?市.+?区)|(?:.+?郡.+?町)|(?:.+?[市|町|村]))?([^0-9]+)?([0-9]+)?(?:[－|-]([0-9-]+))?")
r=regex.search（字符串）
R
r、 组（）
（无，'\x96k\x8aC\x93\xb9\x8eD\x96y\x8es\x90\xbc\x8b\xe6'，'\x93\xf1\x8f\\\ x8el\x8c\xac\x82P\x8f\xf0\x82V\x92\x9a\x96\xda'，无，无）

这使我没有匹配的第一组，并将第二组和第三组集中在一起。然而，在两个不同的Python正则表达式测试站点上，我得到了期望的结果（地址被分成3个单独的字符串）。我的终端出了什么问题

---

谢谢。

您可能需要在脚本头上添加编码：

#!/usr/bin/python
# -*- coding: utf-8 -*-

如果不起作用，则应尝试将字符串定义为unicode字符串：

u"I'm a string"

如果仍然不起作用，尝试用日文汉字字符替换unicode代码点

u"\u23ef" 

有关这方面的更多信息：

---

将输入字符串赋给变量时，需要添加

u

，以便python将其视为unicode字符串，还需要在正则表达式编译代码中包含

re.unicode

修饰符

>>> string = u"北海道札幌市西区二十四軒１条７丁目"
>>> regex = re.compile(u"(.{2,3}?[県|道|府|都]{1})?((?:.+?市.+?区)|(?:.+?郡.+?町)|(?:.+?[市|町|村]))?([^0-9]+)?([0-9]+)?(?:[－|-]([0-9-]+))?", re.UNICODE)
>>> r = regex.search(string)
>>> r
<_sre.SRE_Match object at 0x7f1e45714dd8>
>>> r.groups()
(u'\u5317\u6d77\u9053', u'\u672d\u5e4c\u5e02\u897f\u533a', u'\u4e8c\u5341\u56db\u8ed2\uff11\u6761\uff17\u4e01\u76ee', None, None)

>>字符串=u”北海道札幌市西区二十四軒１条７丁目"
>>>regex=re.compile（u“（.{2,3}）[県|道|府|都]{1})?((?:.+?市.+?区)|(?:.+?郡.+?町)|(?:.+?[市|町|村]))?（[^0-9]+）（[0-9]+）（？：[-]（[0-9-]+）？”，关于UNICODE）
>>>r=regex.search（字符串）
>>>r
>>>r.团体（）
（u'\u5317\u6d77\u9053'，u'\u672d\u5e4c\u5e02\u897f\u533a'，u'\u4e8c\u5341\u56db\u8ed2\uff11\u6761\uff17\u4e01\u76ee'，无，无）

好的，我在这里试试。最终结果不能是Unicode，所以我必须在最终产品中删除它，但至少在测试中我会使用Unicode。我会尝试。最终产品不能是Unicode，所以我最终必须删除它，但为了测试它，我可以使用Unicode。@Tensigh最后你可以使用

str.decode（'utf-8'）

，用您选择的变量替换

str

，以摆脱编码。@Tensigh“不能使用Unicode”是什么意思“？代码本身还是应用程序？因为这是两件不同的事情…@Lester，如果我不清楚，很抱歉。最终输出文件不能使用Unicode。我正在转换的文件会上载到一个只接受Shift JIS编码的网站。如果我可以切换到Unicode，你不知道这项任务会变得多么容易。”（更不用说Unicode是标准化的！）我明白了，但是如果你把Shift-JIS解码成unicode字符串，然后进行计算，然后编码成Shift-JIS是不可接受的？或者更具体地说，如果你把Shift-JIS编码的字节解码成unicode字符串，然后立即将其转换回来，不会产生相同的字节序列？我的意思是，我对这些字符表差异的看法是：utf-8，Shift-JIS，ascii，无论我们如何在磁盘和数据库中存储数据，unicode是我们在内存中处理数据的方式……我注意到，在第一位代码中，您调用了

regex.match（string）

，而在第二位代码中，您没有调用。这可能与此有关。

>>> string = u"北海道札幌市西区二十四軒１条７丁目"
>>> regex = re.compile(u"(.{2,3}?[県|道|府|都]{1})?((?:.+?市.+?区)|(?:.+?郡.+?町)|(?:.+?[市|町|村]))?([^0-9]+)?([0-9]+)?(?:[－|-]([0-9-]+))?", re.UNICODE)
>>> r = regex.search(string)
>>> r
<_sre.SRE_Match object at 0x7f1e45714dd8>
>>> r.groups()
(u'\u5317\u6d77\u9053', u'\u672d\u5e4c\u5e02\u897f\u533a', u'\u4e8c\u5341\u56db\u8ed2\uff11\u6761\uff17\u4e01\u76ee', None, None)