logo标签列表

Python -- 正则表达式 -- 如何在两个字符串之间查找一个字符串

pythonregexstringtags
6

请考虑以下内容：

<div id=hotlinklist>
  <a href="foo1.com">Foo1</a>
  <div id=hotlink>
    <a href="/">Home</a>
  </div>
  <div id=hotlink>
    <a href="/extract">Extract</a>
  </div>
  <div id=hotlink>
    <a href="/sitemap">Sitemap</a>
  </div>
</div>

你如何使用正则表达式在 Python 中删除 sitemap 行？
<a href="/sitemap">Sitemap</a>

以下代码可用于提取锚点标签。
'/<a(.*?)a>/i'

然而，有多个锚点标签。此外，还有多个热链接，所以我们也无法使用它们吗？

你可能听说过正则表达式不适合解析类似HTML这样的上下文无关语言。 - Gumbo
2
如果您是生成HTML的人，值得注意的是，多个相同的id =属性是无效的。class =更合适。 - Ben Blank
4个回答
13

不要使用正则表达式，而应该使用BeautifulSoup，一个HTML解析器。

from BeautifulSoup import BeautifulSoup

html = \
"""
<div id=hotlinklist>
  <a href="foo1.com">Foo1</a>
  <div id=hotlink>
    <a href="/">Home</a>
  </div>
  <div id=hotlink>
    <a href="/extract">Extract</a>
  </div>
  <div id=hotlink>
    <a href="/sitemap">Sitemap</a>
  </div>
</div>"""

soup = BeautifulSoup(html)
soup.findAll("div",id="hotlink")[2].a

# <a href="/sitemap">Sitemap</a>
6

使用正则表达式解析HTML是一个坏主意！

思考下面的一段HTML代码：

<a></a > <!-- legal html, but won't pass your regex -->

<a href="/sitemap">Sitemap<!-- proof that a>b iff ab>1 --></a>

还有许多类似的例子。正则表达式很适合做很多事情，但不适合解析HTML。

你应该考虑使用Beautiful Soup Python HTML解析器。

无论如何，使用正则表达式的临时解决方案是

import re

data = """
<div id=hotlinklist>
  <a href="foo1.com">Foo1</a>
  <div id=hotlink>
    <a href="/">Home</a>
  </div>
  <div id=hotlink>
    <a href="/extract">Extract</a>
  </div>
  <div id=hotlink>
    <a href="/sitemap">Sitemap</a>
  </div>
</div>
"""

e = re.compile('<a *[^>]*>.*</a *>')

print e.findall(data)

输出：

>>> e.findall(data)
['<a href="foo1.com">Foo1</a>', '<a href="/">Home</a>', '<a href="/extract">Extract</a>', '<a href="/sitemap">Sitemap</a>']
如果你用 (?:[^<]+|<(!/a\b))* 替换掉 .*，你将会得到更少的假阳性结果，而且不会因为回溯而使正则表达式引擎崩溃。 - Ben Blank
5
为了提取标语的内容：
    <a href="/sitemap">Sitemap</a>

如果我要使用，我会选择：

    >>> import re
    >>> s = '''
    <div id=hotlinklist>
    <a href="foo1.com">Foo1</a>
      <div id=hotlink>
        <a href="/">Home</a>
      </div>
      <div id=hotlink>
        <a href="/extract">Extract</a>
      </div>
      <div id=hotlink>
        <a href="/sitemap">Sitemap</a>
      </div>
    </div>'''
    >>> m = re.compile(r'<a href="/sitemap">(.*?)</a>').search(s)
    >>> m.group(1)
    'Sitemap'
实际上，将站点地图替换为XYZ，因为它确实可以是任何内容。我只知道它是hotlinlist div中的第3个div。使用的HTML模式可以重复多次。假设我想在ebay上列出所有智能手机清单。我会知道上述模式对于找到的每个智能手机都会重复，但是<a herf="XYZ">XYZ</a>可以是iPhone、黑莓、诺基亚或任何其他智能手机。可能没有物品或100个以上。因此，我正在寻找一些东西，可以查找重复的模式，然后取出智能手机行，并列出智能手机清单。 - Avid Coder
我喜欢这个答案，因为它回答了问题。而且不管你信不信，它还帮助我更好地理解了正则表达式。 - Max
1

如果您需要解析HTML，请使用BeautifulSoup或lxml。

另外，您真正需要做什么？找到最后一个链接？找到第三个链接？找到指向/sitemap的链接？从您的问题中无法确定。您需要对数据进行什么操作？

如果您确实必须使用正则表达式，请查看findall。

网页内容由stack overflow 提供, 点击上面的
可以查看英文原文，
原文链接