如何正确捕获两个模式之间的多条线答案

【问题标题】：How to properly capture multiple lines between two patterns如何正确捕获两个模式之间的多条线
【发布时间】：2020-09-11 14:32:52
【问题描述】：

我有一个 html 文件，我试图在其中搜索一个模式，当我找到它时，打印设置模式之间的所有行。在我的情况下，它是“pre 和 /pre”之间的所有内容，其中包含一个词干循环序列。我的目标是对大量的 html 文件进行排序并提取这些结构并将它们放在一个列表中，该列表可以像在 html 文件中出现的那样打印出来。我无法正确捕获所有线条并正确打印它们，因为它会出现在图片中。目前我只打印了两行，pre cugcaggcagaaguggggcugaca /pre 和 pre ccucaccccccuucugccugca /pre

为什么它没有捕获图案中的所有内容并正确打印？它正在跳过跨度和跨度类。我不确定我是否正确解决了这个问题——有没有更好的方法来考虑这个问题？谢谢

fh_html = open("filename").readlines()
for line in fh_html:

    match_obj = re.search(r'<pre>.*</pre>', line, re.DOTALL)
    print(match_obj.group(0))

这是 html 代码在页面上的样子： \这是代码的样子：

<pre>ggggc             <span class="sld">u</span>   - <span class="sld">c</span>   <span class="sld">ca</span>    agag 
     <span class="sld">cugcaggcagaag</span> <span class="sld">ggg</span> <span class="sld">g</span> <span class="sld">uga</span>  gggc    g
     ||||||||||||| ||| | |||  ||||     
     g<span class="sld">acguccgucuuc</span> <span class="sld">ccc</span> <span class="sld">c</span> <span class="sld">acu</span>  cccg    g
-----             -   <span class="sld">a</span> <span class="sld">c</span>   <span class="sld">cc</span>    cguu </pre>

这是代码：

【问题讨论】：

标签： python regex html-parsing

【解决方案1】：

您将每个单独的行传递给正则表达式，而不是整个文本。

试试这个：

text = open("filename").read()
match_obj = re.search(r'<pre>.*</pre>', text, re.DOTALL)
print(match_obj.group(0))

【讨论】：

在这个示例中，我之前没有包含我的代码行，但是我需要执行几个操作，这需要我在 for 循环中逐行遍历文件。如何在不阅读整个文本的情况下捕获这些多行？我想我需要存储每一行，然后在打印出来时将它们全部加起来？此外，当我这样做时，它不会在第一次出现 /pre 时停止，而是在整个 html 文件的其余部分中继续，打印很多行。
正则表达式默认是greedy，这意味着它们选择匹配最长的可能模式。如果您多次出现<pre> 和</pre>，它将匹配从第一个<pre> 到最后一个</pre> 的所有内容，并将中间的所有内容视为.* 的一部分模式。