使用 BeautifulSoup 在字符串开头进行正则表达式模式匹配答案

【问题标题】：Regex Pattern Matching at Beginning of String with BeautifulSoup使用 BeautifulSoup 在字符串开头进行正则表达式模式匹配
【发布时间】：2019-07-20 14:54:32
【问题描述】：

我目前正在寻找一种通过正则表达式在 HTML 类名开头执行模式匹配的方法。我要匹配的模式是：

"col-xs-.*"

HTML 页面中的两个类示例是：

<div class="col-xs-12 col-sm-12 col-lg-12">
<div class="mod-tiles__sizer col-xs-6 col-sm-4 col-lg-3">

目标是只匹配上面的类名，因为它实际上以“col-xs-.*”开头，这就是我所追求的。使用我当前的正则表达式匹配，我似乎无法将这些类名单独列出。目前我正在尝试使用以下正则表达式模式进行匹配：

regex = re.compile('^col-xs-.*$')
soup.find_all("div", class_ = regex)

不幸的是，这种模式还会打印出第二个类名（其中“col-xs-.*”出现在中间，而不仅仅是在开头）。希望有人能解决这个问题。

【问题讨论】：

.* 匹配到字符串的末尾。试试\bcol-xs-\d+\b
@Thefourthbird 不幸的是，您的解决方案似乎不起作用。 .* 匹配到字符串结尾是否重要？我所需要的只是让模式出现在字符串的开头，我认为之后发生的其余部分并不是那么重要。

标签： regex python-3.x beautifulsoup

【解决方案1】：

我认为您希望attribute = value css 选择器以 ^ 运算符开头来指定要在类属性中查找的前缀字符串。

soup.select('[class^="col-xs-"]')

例子：

from bs4 import BeautifulSoup as bs

html = '''
<div class="col-xs-12 col-sm-12 col-lg-12">
<div class="mod-tiles__sizer col-xs-6 col-sm-4 col-lg-3">
'''
soup = bs(html, 'lxml')
classes = [' '.join(item['class']) for item in soup.select('[class^="col-xs-"]')]
print(classes)

【讨论】：

【解决方案2】：

我猜这个表达式可能会提取那些想要的类：

import re

regex = r"[\"']\s*(\bcol-xs-[0-9]+\b[^\"']+?)\s*[\"']"

test_str = """

<div class="col-xs-12 col-sm-12 col-lg-12"><div class="  col-xs-12 col-sm-12 col-lg-12  ">
<div class="mod-tiles__sizer col-xs-6 col-sm-4 col-lg-3"><div class="col-xs-12 col-sm-12 col-lg-12">
<div class="mod-tiles__sizer col-xs-6 col-sm-4 col-lg-3">

"""

print(re.findall(regex, test_str, re.MULTILINE | re.IGNORECASE))

输出

['col-xs-12 col-sm-12 col-lg-12', 'col-xs-12 col-sm-12 col-lg-12', 'col-xs-12 col-sm-12 col-lg-12']

表达式在regex101.com 的右上方面板中进行了解释，如果您想探索/简化/修改它，在this link 中，您可以查看它如何与一些示例输入进行匹配，如果您愿意的话。

【讨论】：

【解决方案3】：

如果您想在没有漂亮的 supe 的情况下找到它们，这就是这样做的方法。
所有具有类属性的 div 标记，其中 col-xs- 位于值的开头：

包括空白修剪。

r"(?i)<div(?=(?:[^>\"']|\"[^\"]*\"|'[^']*')*?(?<=\s)class\s*=\s*(?:(['\"])\s*(col-xs-(?:(?!\1)[\S\s])*?)\s*\1))\s+(?:\"\S\s]*?\"|'\S\s]*?'|[^>]*?)+>"

https://regex101.com/r/rsXqI9/1

格式化：
类值在第 2 组中。

 (?i)
 < div 
 (?=
      (?: [^>"'] | " [^"]* " | ' [^']* ' )*?
      (?<= \s )
      class \s* = \s* 
      (?:
           ( ['"] )                      # (1)
           \s* 
           (                             # (2 start)
                col-xs-

                (?:
                     (?! \1 )
                     [\S\s] 
                )*?
           )                             # (2 end)
           \s* 
           \1 
      )
 )
 \s+ 
 (?: " \S\s ]*? " | ' \S\s ]*? ' | [^>]*? )+
 >

【讨论】：