Python正则re.findall运行异常及音乐爬虫匹配艺术家失败问题排查

匹配失效的核心原因 #

你遇到的这个问题是正则匹配场景下的高频问题，核心诱因有三个：

1. 艺术家名称包含正则元字符未转义：如果你的ARTIST变量里包含. * + ? | ( ) [ ] { } \ ^ $这类正则保留的特殊字符，直接拼接进正则语句后，这些字符会被当成正则逻辑处理，而非普通字面字符，直接导致匹配失败。
2. 横杠字符不统一：很多音乐网站为了排版美观，不会使用普通半角减号-（Unicode编码U+002D）作为分隔符，而是会用全角破折号—、短破折号–等肉眼看起来非常相似的字符，直接硬编码匹配半角减号自然会匹配失败。
3. 空白字符不可见差异：爬取到的字符串里，横杠前后的空格可能是网页常用的非断空格 （Unicode编码U+00A0）、制表符等特殊空白，和你正则里写的普通空格不匹配。

你两次测试结果不一致的原因就是第二次修改的字符串x里的分隔符或者空白和第一次不一样，这就是你原有代码中re.search、re.findall匹配失效的根因。

修复方案 #

修改正则构造逻辑即可：

1. 用re.escape()处理艺术家名称，自动转义所有正则特殊字符
2. 用字符集兼容所有常见横杠类型，用\s*匹配任意类型、任意数量的空白字符
3. 可选添加忽略大小写标志，避免大小写不一致导致的匹配问题

修改后的代码片段如下：

# ARTIST = 示例: 'Michael Jackson'
# 转义特殊字符+兼容多类型横杠和空白
regex = re.escape(ARTIST) + r'\s*[-–—]\s*'
match = re.search(regex, info, flags=re.IGNORECASE)

排查技巧 #

后续再遇到「看起来字符一样就是匹配不上」的问题，可以直接打印字符串的字符编码对比：

# 打印前20个字符的Unicode编码，快速定位字符差异
print([ord(c) for c in info[:20]])

只要编码不一致，哪怕肉眼看起来完全一样也会匹配失败。

内容的提问来源于stack exchange，提问作者Maxjo