Python re.findall 在 UTF-8 下失败，而其余脚本成功

Question

我有这个脚本可以读取大量用瑞典语编写的文本文件(通常带有 åäö 字母)。如果我遍历 d 和 dictionary[]，它会打印字典中的所有内容。但是，正则表达式(来自添加了 u'.*' 的原始输入)无法正确返回 utf-8。

# -*- coding: utf8 -*-
from os import listdir 
import re
import codecs
import sys

print "Välkommen till SOU-sök!"
search_word = raw_input("Ange sökord: ")

dictionary = {}
for filename in listdir("20tal"):
    with open("20tal/" + filename) as currentfile:
        text = currentfile.read()
        dictionary[filename] = text

for d in dictionary:
    result = re.findall(search_word + u'.*', dictionary[d], re.UNICODE)
    if len(result) > 0:
        print "Filnament är:\n %s \noch sökresultatet är:\n %s" % (d, result)

编辑:输出如下:

如果我输入:

katt 

我得到以下输出:

Filnament är: Betänkande och förslag angående vissa ekonomiska spörsmål   berörande enskilda järnvägar - SOU 1929:2.txt 

och sökresultatet är: 

['katter, r\xc3\xa4ntor m. m.', 'katter m- m., men exklusive r \xc3\xa4 nor m.', 'kattemedel subventionerar', av totalkostnaderna, ofta \xe2\x80\x94 med eller utan', 'kattas den nuvarande bilparkens kapitalv\xc3\xa4rde till 500 milj. 

这里，文件名 d 被正确打印，但不是 re.findall

的结果

Answer 1

在 Python 2.x 中，unicode 列表项通常输出转义，除非您遍历每个项或加入它们；也许尝试这样的事情:

result = ', '.join(result)

if len(result) > 0:
    print ( u"Filnament är:\n %s \noch sökresultatet är:\n %s" % (d, result.decode('utf-8'))) 

输入:

katt

结果:

katter, räntor m. m. katter m- m., men exklusive r ä nor m. kattemedel subventionerar av totalkostnaderna, ofta — med eller utan kattas den nuvarande bilparkens kapitalvärde till 500 milj