利用Python正則匹配中文——爬取校園網公告欄中感興趣的內容

　　寫這個程序是由於校園網公告欄時不時會有學術報告，講座之類的信息發佈，但這類信息每每發佈在講座的前一天，以致於丟失不少重要消息。同時公告欄裏也會發布一些跟學生無關的內容，好比工會主席會議啥的。

　　主要遇到的困難時對中文的正則匹配問題。（好比經過第一次正則能夠提取到一個頁面內的全部中文標題，第二次正則從這些中文標題中將能匹配上「報告」兩個字的對象添加到結果list內）

　　學校公告頁面是gb2312編碼。我使用的方式是，整個工程使用utf-8編碼，將須要匹配的關鍵字轉換成utf-8編碼格式，使用正則匹配utf-8的編碼便可，詳細解釋在代碼中。

　　原本打算把這個放到微信公衆號服務器上天天推送來着，微信接入都寫好了，一直接入不成功，最後才發現，原來服務器域名要正式備案以後才能夠，奈何我已經把備案這茬兒給忘了。退而求其次，暫時用163的郵件短信提醒功能天天推送了。

　　

# -*- coding: utf-8 -*-

from bs4 import BeautifulSoup
import urllib
import Queue
import urllib2
import re
import os
import socket
import httplib
import threading




keyList = [u'報告',u'學術',u'講座',u'講堂',u'就業',u'項目',u'招聘']
keyResult = []
url = 'http://urp.tust.edu.cn/bulletinPageList.jsp?pageNum=1&groupIds=Nyw4'
req = urllib2.Request(url)
res = urllib2.urlopen(req)
soup = BeautifulSoup(res.read())
lists = soup.select('.an-list')
strLists = str(lists) #此時列表裏存儲的是utf-8的編碼 相似於 u1234\\u2312\\u8473  表示‘\’須要兩個\\才能夠 轉義字符 
title = re.findall(r'title="(.*?)"',strLists) #匹配後也同樣
date = re.findall(r'<p>(.*?)<',strLists)
herf = re.findall(r'href="(g.*?)"',strLists)for t in title:
    for key in keyList:
        tempkey = str(repr(key)) #正則常常用到的repr函數，要查看在Python內部究竟是怎麼表示的 相似於 u'\u5c31\u4e1a' 
        tempkey = repr(tempkey)  #這一步把轉義字符暴露出來，方便匹配  相似於  u'\\u5c31\\u4e1a'
        tempkey = tempkey[3:tempkey.__len__()-2] #這一步把前面的 u' 和後面的 ' 刪掉
        if re.search(r''+tempkey+'',t):  #開始匹配
            keyResult.append(t)
            break
for key in keyResult:
    s = "u'%s'" %(key)
    s = eval(s)
    print s