Python的strip函数不正常工作

Question

我正在用Python从一个网站上抓取一些数据。

我想做两件事：

1. 我想跳过前面两个词“Dubai”和“UAE”，因为这两个词在每次抓取的结果中都是常见的。

2. 我想把最后两个词分别保存到两个不同的变量里，并去掉多余的空格。

       try:
           area= soup.find('div', 'location')
           area_result= str(area.get_text().strip().encode("utf-8"))
           print "Area: ",area_result
   except StandardError as e:
           area_result="Error was {0}".format(e)
           print area_result
   

area_result: 包含以下数据：

'UAE \xe2\x80\xaa>\xe2\x80\xaa\n            \n                Dubai \xe2\x80\xaa>\xe2\x80\xaa\n            \n                Business Bay \xe2\x80\xaa>\xe2\x80\xaa\n            \n                Executive Towers \n            \n\n\n        \n\n\n\t    \n\t        \n\t    \n\t\n\n\n        \n        ;\n        \n            \n                \n                    1.4 km from Burj Khalifa Tower'

我希望上面的结果显示为（注意>在Executive Towers和1.4 km..之间）

Executive Towers > 1.4 km from Burj Khalifa Tower

Answer 1

area_result = area_result.replace("UAE", "")
area_result = area_result.replace("Dubai", "")
area_result =  area_result.strip()

import re
area_result = re.sub('\s+',' ',area_result)
area_result = area_result.replace("UAE ‪>‪ Dubai ‪>‪", "")
area_result =  area_result.strip()

使用正则表达式：

Answer 2

import string
def cleanup(s, remove=('\n', '\t')):
    newString = ''
    for c in s:
        # Remove special characters defined above.
        # Then we remove anything that is not printable (for instance \xe2)
        # Finally we remove duplicates within the string matching certain characters.
        if c in remove: continue
        elif not c in string.printable: continue
        elif len(newString) > 0 and c == newString[-1] and c in ('\n', ' ', ',', '.'): continue
        newString += c
    return newString

在这里加点东西来清理你的代码吗？
最终的结果是：

>>> s = 'UAE \xe2\x80\xaa>\xe2\x80\xaa\n            \n                Dubai \xe2\x80\xaa>\xe2\x80\xaa\n            \n                Business Bay \xe2\x80\xaa>\xe2\x80\xaa\n            \n                Executive Towers \n            \n\n\n        \n\n\n\t    \n\t        \n\t    \n\t\n\n\n        \n        ;\n        \n            \n                \n                    1.4 km from Burj Khalifa Tower'
>>> cleanup(s)
'UAE > Dubai > Business Bay > Executive Towers 1.4 km from Burj Khalifa Tower'

这里有一个不错的SO参考，关于字符串库。

回到问题上，我看到用户不想要前两个块（在>之间），那么简单地做：

area_result = cleanup(area_result).split('>')[3].replace(';', '>')