Dopasowanie do wyrażenia regularnego w języku Python kończy się niepowodzeniem ze znakami UTF-8

Question

Mam projekt selenu/pythonu, który używa dopasowania regularnego do znalezienia elementów html. Te atrybuty elementów kiedyś zawierają duńskie/norweskie znaki ÆÆÅ. Problem jest w tym fragmencie poniżej:

if (re.match(regexp_expression, compare_string)): 
    result = True 
else : 
    result = False 

Zarówno regex_expression i compare_string są manipulowane przed meczem regex zostaje wykonana. Jeśli mogę wydrukować je przed fragmentem kodu powyżej jest wykonywany, a także wydrukować wyniki, pojawia się następujący komunikat:

Regex_expression: [^log på$] 
compare string: [log på] 
result = false 

umieścić wsporniki, aby upewnić się, że nie było żadnych spacji. Są one tylko częścią instrukcji print, a nie częścią zmiennych String.

Gdybym jednak spróbować odtworzyć problem w skrypcie indywidualne, jak to:

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

import re 

regexp_expression = "^log på$" 
compare_string = "log på" 

if (re.match(regexp_expression, compare_string)): 
    print("result true") 
    result = True 
else : 
    print("result = false") 
    result = False 

Następnie wynik jest prawdziwy.

Jak to możliwe? Aby było jeszcze dziwniej, działało wcześniej i nie jestem pewien, co redagowałem, co sprawiło, że przeszło boom ...

Pełny moduł metody porównywania regex znajduje się poniżej. Sam tego nie zakodowałem, więc nie jestem w 100% zaznajomiony z przyczyną wszystkich instrukcji zastępowania i manipulacją String, ale uważam, że nie powinno to mieć znaczenia, kiedy mogę sprawdzić ciągi znaków tuż przed metodą niepowodzenia dopasowania na dole ...

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

import re 

def regexp_compare(regexp_expression, compare_string): 
    #final int DOTALL 
    #try: // include try catch for "PatternSyntaxException" while testing/including a new symbol in this method.. 

    #catch(PatternSyntaxException e): 
    # System.out.println("Regexp>>"+regexp_expression) 
    # e.printStackTrace() 
    #*/ 


    if(not compare_string.strip() and (not regexp_expression.strip() or regexp_expression.strip().lower() == "*".lower()) or (regexp_expression.strip().lower() == ".*".lower())): 
     print("return 1") 
     return True     

    if(not compare_string or not regexp_expression): 
     print("return 2") 
     return False     

    regexp_expression = regexp_expression.lower() 
    compare_string = compare_string.lower() 

    if(not regexp_expression.strip()): 
     regexp_expression = "" 

    if(not compare_string.strip() and (not regexp_expression.strip() or regexp_expression.strip().lower() == "*".lower()) or (regexp_expression.strip().lower() == ".*".lower())): 
     regexp_expression = "" 
    else: 

     regexp_expression = regexp_expression.replace("\\","\\\\") 
     regexp_expression = regexp_expression.replace("\\.","\\\\.") 
     regexp_expression = regexp_expression.replace("\\*", ".*") 
     regexp_expression = regexp_expression.replace("\\(", "\\\\(") 
     regexp_expression = regexp_expression.replace("\\)", "\\\\)")   
     regexp_expression_arr = regexp_expression.split("|") 
     regexp_expression = "" 

     for i in range(0, len(regexp_expression_arr)): 
      if(not(regexp_expression_arr[i].startswith("^"))): 
       regexp_expression_arr[i] = "^"+regexp_expression_arr[i] 

      if(not(regexp_expression_arr[i].endswith("$"))): 
       regexp_expression_arr[i] = regexp_expression_arr[i]+"$" 

      regexp_expression = regexp_expression_arr[i] if regexp_expression == "" else regexp_expression+"|"+regexp_expression_arr[i] 




    result = None   

    print("Regex_expression: [" + regexp_expression+"]") 
    print("compare string: [" + compare_string+"]") 

    if (re.match(regexp_expression, compare_string)): 
     print("result true") 
     result = True 
    else : 
     print("result = false") 
     result = False 

    print("return result") 
    return result 

Answer 1

Jest prawdopodobne, że porównywane są ciągi znaków Unicode z ciągami nie będącymi znakami Unicode.

Na przykład, w następujących przypadkach:

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

import re 

regexp_expression = "^log på$" 
compare_string = u"log på" 

if (re.match(regexp_expression, compare_string)): 
    print("result true") 
    result = True 
else : 
    print("result = false") 
    result = False 

Dostaniesz wyjście False. Prawdopodobnie w twojej manipulacji istnieje punkt, w którym coś nie jest unicode.

To samo fałszywe spowoduje z następujących też:

regexp_expression = u"^log på$" 
compare_string = "log på"