如何从 html 文件中提取定义？答案

【问题标题】：How do I extract definitions from a html file?如何从 html 文件中提取定义？
【发布时间】：2017-06-15 22:14:45
【问题描述】：

我正在尝试通过从 Python 的标准库 built-in functions 页面中提取函数定义来练习正则表达式。到目前为止，我所做的是定义通常打印在<dd><p> 和</dd></dl> 之间。当我尝试时

import re
fname = open('functions.html').read()
deflst = re.findall(r'<dd><p>([\D3]+)</dd></dl>', fhand)

它实际上并没有停在</dd></dl>。这可能是我在这里遗漏的非常愚蠢的事情，但我真的很难弄清楚这一点。

【问题讨论】：

标签： python html regex python-3.x

【解决方案1】：

在某种意义上，正则表达式是从左到右计算的。所以在你的正则表达式中，

r'<dd><p>([\D3]+)</dd></dl>'

正则表达式引擎将首先查找<dd><p>，然后依次查看以下每个字符，检查每个字符是非数字还是3，如果是，则将其添加到匹配项中。原来</dd></dl> 中的所有字符都在“nondigit 或3”类中，所以它们都被添加到[\D3]+ 匹配的部分，并且引擎尽职尽责地继续运行。它只会在找到不是3 的数字字符时停止，然后继续“注意”正则表达式的其余部分（</dd></dl>）。

要解决这个问题，您可以像这样使用不情愿的量词：

r'<dd><p>([\D3]+?)</dd></dl>'

（注意添加的?）这意味着正则表达式引擎应该保守地添加到匹配中的数量。它不再尝试“吞噬”尽可能多的字符，而是尝试将[\D3]+? 匹配到一个字符，然后继续查看其余的正则表达式是否匹配，如果不匹配，它将尝试匹配@ 987654333@ 只有两个字符，依此类推。

基本上，[\D3]+ 匹配[\D3] 的最长可能字符串，同时仍然允许完整的正则表达式匹配，而[\D3]+? 匹配[\D3] 的最短可能字符串，同时仍然可以让完整的正则表达式匹配。

当然是“现实世界”中的one shouldn't really be using regular expressions to parse HTML，但如果你只是想练习正则表达式，这可能是一个很好的文本示例。

【讨论】：

啊，非常感谢您的解释！很有帮助！

【解决方案2】：

默认情况下，所有量词都是greedy，这意味着它们希望匹配尽可能多的字符。您可以在量词后使用? 使其匹配尽可能少的字符的lazy。 \d+? 至少匹配一位数字，但越少越好。

试试r'<dd><p>([\D3]+?)</dd></dl>'

【讨论】：