使用Python正则表达式从Craigslist RSS源中提取地址

Question

我正在努力剖析craigslist的rss源以提取位置信息，让我感到十分困难。

我使用了feedparser将脚本解析成条目和条目描述。不幸的是，地址信息包含在描述部分的不规则标签中。

地址信息包含在类似于这样的部分中：

<!-- CLTAG xstreet0=11832 se 318pl  -->
<!-- CLTAG xstreet1= -->
<!-- CLTAG city=auburn -->
<!-- CLTAG region=wa -->
11832 se 318pl 

Feedparser 不喜欢那些 CLTAGS。我尝试使用正则表达式捕获第一行，代码如下：

addressStart = r'!-- CLTAG xstreet0='
addressEnd = r'-->'

prog = re.compile(addressStart(.*?)addressEnd)
result = prog.match(string)

但是那行不通。我做错了什么？这是我正在使用的rss源链接：'http://seattle.craigslist.org/see/apa/index.rss'

非常感谢您的任何帮助！

- foundatron

Answer 1

尝试使用search替换match（原因是该行以<开头，但您将addressStart定义为以!开头。 search可以在字符串中的任何位置找到匹配项，而match仅在开头找到匹配项。或者您可以重新定义addressStart以包含前导<）。

>>> import re;
>>> addressStart = r'!-- CLTAG xstreet0='
>>> addressEnd = r'-->'
>>> prog = re.compile(addressStart + "(.*?)" + addressEnd)
>>> string = "<!-- CLTAG xstreet0=11832 se 318pl  -->"
>>> result = re.search(prog, string)
>>> result
<_sre.SRE_Match object at 0x1004806c0>
>>> result.group(1)
'11832 se 318pl  '

- Ray Toal

Answer 2

这是一些无效的语法。除非字符串被引用，否则您不能将字符串连接/格式化。请尝试：

addressStart = r'!-- CLTAG xstreet0='
addressEnd = r'-->'

prog = re.compile(addressStart + r'(.*?)' + addressEnd)
result = prog.match(string)

- SingleNegationElimination