使用re.search与'in'无法检测bs4解析节点中日期子串的问题

1. 排查字符编码差异 #

先打印两个字符串每个字符的Unicode编码，确认是否存在肉眼不可见的差异：

def print_char_details(s):
    for idx, char in enumerate(s):
        print(f"位置 {idx}: '{char}' - Unicode码点 U+{ord(char):04X}")

# 打印目标日期的字符细节
print("=== 目标日期字符详情 ===")
print_char_details(second_date.strip().lower())

# 打印节点文本的字符详情
print("\n=== 节点文本字符详情 ===")
print_char_details(node.text.strip().lower())

对比输出，重点关注：

• 空格是否为普通空格（U+0020），还是其他Unicode空格（如U+2002、U+2003）
• 逗号、数字是否为半角格式（逗号U+002C，数字U+0030-U+0039），而非全角（逗号U+FF0C，数字U+FF10-U+FF19）
• 是否存在零宽字符（如U+200B零宽空格）

2. 全面清理字符串特殊字符 #

替换所有Unicode空白字符，并统一全角/半角字符：

方法一：正则批量替换空白字符 #

import re

with open(filepath, 'r', encoding="utf-8", errors="ignore") as file:
    content = file.read()
    # 替换所有Unicode空白字符为普通空格，合并连续空格
    content = re.sub(r'\s+', ' ', content)
    # 可选：将全角逗号、数字转为半角
    content = content.replace('，', ',').replace('０','0').replace('１','1').replace('２','2').replace('３','3').replace('４','4').replace('５','5').replace('６','6').replace('７','7').replace('８','8').replace('９','9')

方法二：Unicode标准化处理 #

import unicodedata
import re

with open(filepath, 'r', encoding="utf-8", errors="ignore") as file:
    content = file.read()
    # NFKC标准化：统一全角/半角、兼容字符格式
    content = unicodedata.normalize('NFKC', content)
    # 合并连续空格
    content = re.sub(r'\s+', ' ', content)

3. 确认节点文本完整性 #

如果上述方法无效，检查当前遍历的node是否真的包含完整日期文本：

• 打印节点的HTML结构，确认日期未被拆分到子节点：

print(node.prettify())

若日期分散在多个子节点，需调整遍历逻辑（比如遍历父节点或合并子节点文本）。

内容的提问来源于stack exchange，提问作者NecroaNova