Python -- 正则表达式 -- 如何在两组字符串之间找到一个字符串答案

【问题标题】：Python -- Regex -- How to find a string between two sets of stringsPython -- 正则表达式 -- 如何在两组字符串之间找到一个字符串
【发布时间】：2010-10-25 09:29:19
【问题描述】：

考虑以下几点：

<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>

您将如何在 python 中使用正则表达式取出站点地图行？

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

以下可以用来拉出锚标签。

'/<a(.*?)a>/i'

但是，有多个锚标记。还有多个热链接，所以我们也不能真正使用它们吗？

【问题讨论】：

你可能会听说正则表达式不适合解析像 HTML 这样的上下文无关语言。
如果您是生成该 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。

标签： python regex string tags

【解决方案1】：

不要使用正则表达式。使用BeautfulSoup，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>

【讨论】：

【解决方案2】：

用正则表达式解析 HTML 是个坏主意！

想想下面这段 html

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

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

这样的例子还有很多。正则表达式适用于很多事情，但不适用于解析 HTML。

您应该考虑使用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>']

【讨论】：

如果您将 .* 替换为 (?:[^<]+|<(!/a\b))*，您将获得更少的误报，而不会因回溯而破坏正则表达式引擎。

【解决方案3】：

为了提取标语的内容：

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

...我会使用：

    >>> 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'

【讨论】：

实际上，用 XYZ 替换站点地图，因为它真的可以是任何东西。我只知道它是 hotlinlist div 中的第三个 div。使用的 html 模式可以重复多次。假设我想取出 ebay 上列出的所有智能手机。我知道对于找到的每部智能手机都会重复上述模式，但是，XYZ 可以是 iphone、黑莓、诺基亚或任何其他智能手机。可能没有项目或 100 个。所以，我一直在寻找说找到重复模式的东西，然后拿出智能手机线并列出智能手机。
我喜欢这个，因为它回答了这个问题。它还帮助我更好地理解正则表达式，信不信由你。

【解决方案4】：

如果需要解析 HTML，请使用 BeautifulSoup 或 lxml。

另外，你真正需要做什么？找到最后一个链接？找到第三个链接？找到指向 /sitemap 的链接？你的问题不清楚。您需要对数据做什么？

如果您真的必须使用正则表达式，请查看findall。

【讨论】：