Python-сообщество

Доброго времени суток! Пытаюсь спарисить главную страницу сайта, одно регулярное выражение выдает нормальный результат и все выводит, а из-за другого консоль ругается на кодировку.
Вот код:
urr = urlopen("http://skygsn.com").read()
urr1 = urr.decode('windows-1251')
pattern_key = re.findall('<meta\s+name\=\'keywords\'\s+content\.*)>', urr1) #работает
pattern_content = re.findall('<.*>(.*)<\/.*>', urr1)# ошибка can't encode character \xa9

Пробовала ставить консольную кодировку cp866 - на это выдает иероглифы.
Помогите исправить

Ошибку то выкидывает явно не здесь, а далее в коде. Что вы дальше делаете с pattern_content? Пишите в файл или выводите в консоль? Покажите код

PS: Кстати, у вас и в регулярке ошибка, если вы хотели выбрать текст из тегов будете сильно разочарованы

Отредактировано PooH (Сен. 27, 2012 05:53:46)

Дальше просто вывожу в консоль принтом:
print (pattern_content)

Подскажите ошибку в регулярке, если не сложно

daria_kh
Дальше просто вывожу в консоль принтом:
print (pattern_content)

Символ \xa9 - это символ копирайта, вы консоль виндоус его все равно не выведете. Так что лучше, наверное так:
print (pattern_content.encode('cp1251'), errors='ignore')
возможно кодировка cp866

daria_kh
Подскажите ошибку в регулярке, если не сложно=)

.* - жадный поиск, он будет захватывать, не до первого вхождения, а до последнего, а без флага re.DOTALL под символ . не попадут переводы строк.
А еще вспомним про вложение тегов, теги без содержимого, просто неверный html. Мне кажется, что регулярка в данном случае не лучшая идея, может лучше взять парсер html?

Да, HTMLParser действительно лучше, спасибо