[問題] 一個抓資料的問題

[poopoo888888 (阿川)]

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
→ suzuke:先說你是在哪個系統做吧? windows or linux
推 KSJ:推樓上XD
→ pm2002:應該是windows吧，cmd下unicode會是亂碼沒錯
不好意思忘記講 我是用windows XP

python 2.5

推 cobrasgo:我猜是text editor的關係
我是用notepad++　請問text editor如何影響這部份呢？

推 NolandTA:先encode成latin再decode成cp950試試看
不行耶　用latin去encode會失敗
※ 編輯: poopoo888888    來自: 218.166.198.127      (11/01 19:24)
→ KSJ:我用WINDOW7 Python2.5.4 urllib2 在cmd下正常 idle下亂碼
→ KSJ:可是decode("big5","ignore") 就可以了 你要不要試試?
→ KSJ:再問一下  是只要是中文都亂碼??
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)
→ cobrasgo:source code貼出來，你的環境寫清楚，有時間的話幫你試..
→ buganini:latin -> 是latin1吧