看似简单的python正则表达式不匹配

Question

我正在使用 BeautifulSoup 的 (python) find_all 函数和正则表达式来从网页上抓取一些数据。具体来说，我正在从here 中抓取各个分类广告。如果您检查每个分类广告，您会发现它们通常封装在以下任一 div 中：

<div class="item c-b-#">...</div>

或

<div class="item c-b-# premium">...</div>

其中# 是一个数字（通常为 0 或 2）。

我的目标是使用正则表达式区分这两者。这是我所做的：

regularAds = soup.find_all('div', attrs={'class': re.compile('item.*')})

和

premiumAds = soup.find_all('div', attrs={'class': re.compile('item.*premium')})

前者按预期工作 - 它返回 所有 分类（包括溢价），但后者不返回任何内容。它有什么问题？为什么'item.*premium' 不映射到第二个 div 类？

作为第二个问题：我如何将第一个正则表达式更改为“我想要所有那些有单词 'item' 而不是单词 'premium' 的人？

编辑

供将来参考：经过一些试验和错误后，我的第二个问题的答案变成了：

regularAds = [tag for tag in soup.find_all('div', attrs={'class': re.compile('item')}) if 'premium' not in tag['class']]

效果很好。

Answer 1

我的快速猜测是美丽汤中的class 基本上是在类属性的实际文本上调用class.split(' ') 的结果。如果你这样做：

premiumAds = soup.find_all('div', attrs={'class': 'premium'})

Answer 2

奇怪的 idd 作为你的第二个正则表达式肯定可以工作：

>>> soup = BeautifulSoup('<div class="item c-b-#">text1</div><div class="item c-b-# premium">text2</div>')
>>> soup.findAll('div', attrs={'class': re.compile('item.*premium')})
[<div class="item c-b-# premium">text2</div>]

你最后一个问题的soup.findAll('div', attrs={'class': re.compile('^item((?!premium).)*$')})怎么样。