Pythonでユニコードとバックスラッシュを含む分割文字列

Question

文字列から浮動小数点数を抽出するときに問題が発生しています。

input = u'<strong class="ad-price txt-xlarge txt-emphasis " itemprop="price">\r\n\xa3450.00pw</strong>' 

私が取得したい：：文字列は、ウェブスクレイピングの出力である

output: 3450.00

が、私はそれを行うための方法を見つけることができませんでした。私は、機能を置き換える/スプリットでそれを抽出することを試みた：

word.split("\xa") 
word.replace('<strong class="ad-price txt-xlarge txt-emphasis " itemprop="price">\r\n\xa','') 

私はreライブラリを使用しようとしました。それはあなたのアイデアを持っていますか私はまだ\ と最終的には同じ問題を抱えている、それだけでこのように450.00

import re 
num = re.compile(r'\d+.\d+') 
num.findall(word) 
[u'450.00'] 

抽出し、同様に動作しないのですか？

Answer 1

input.encode('utf-8').split('\xa3')[1].split('pw')[0] 

>> 450.00 

ほら

Answer 2

問題は\xa3はユニコードのポンド記号です。 split('\xa')を実行すると、Unicode文字を半分に分割しようとしています。 \xa3450.00は£450.00に変換されるため、実際に出力するのは450.00です。

str.split('\xa3') 

は、Python 3で動作するはずです。

---

注： inputキーワードです。再割り当てを明示しない限り、変数として使用しないことをお勧めします。

Answer 3

\xa3はシャープ記号です。

import unidecode 
print unidecode.unidecode(input) 

<strong class="ad-price txt-xlarge txt-emphasis " itemprop="price"> 
PS450.00pw</strong> 

はそのから番号を取得するには、あなたがより良い使用正規表現：

import re 
num = re.compile(r'\d+.\d+') 
num.findall(input)[0] 

結果

'450.00' 

Answer 4

このコードはあなたを助けることがあります。

import requests 
from bs4 import BeautifulSoup 

input = u'<strong class="ad-price txt-xlarge txt-emphasis " itemprop="price">\r\n\xa3450.00pw</strong>' 
soup = BeautifulSoup(input) 
# Find all script tags 
for n in soup.find_all('strong'): 
    # Check if the src attribute exists 
    if 'src' in n.attrs: 
     value = n['src'] 
     print value 

私はそれを実行しなかった認めるが、出力は次のようにするとします

\r\n\xa3450.00pw

そして、ここからあなたが簡単に値を抽出することができます。

Answer 5

そのための別の可能な解決策があります：

import re 

x = u'<strong class="ad-price txt-xlarge txt-emphasis " itemprop="price">\r\n\xa3450.00pw</strong>' 
print re.findall(r'\d+.\d*', x) 

output: [u'450.00']