好的,我正在使用一个正则表达式来搜索站点中的所有标题信息。
我已经编译了正则表达式:
regex = re.compile(r'''
<h[0-9]>\s?
(<a[ ]href="[A-Za-z0-9.]*">)?\s?
[A-Za-z0-9.,:'"=/?;\s]*\s?
[A-Za-z0-9.,:'"=/?;\s]?
''', re.X)
当我在python reg ex中运行它的时候。测试人员,它工作得很好。
示例数据:
<body>
<h1>Dog </h1>
<h2>Cat </h2>
<h3>Fancy </h3>
<h1>Tall cup of lemons</h1>
<h1><a href="dog.com">Dog thing</a></h1>
</body>
现在,在REDemo中,它工作得很好。
然而,当我把它放到我的python代码中时,它只打印<a href="dog.com">
这是我的python代码,我不确定我是做错了什么,还是在翻译过程中丢失了什么。我很感谢你的帮助。
stories=[]
response = urllib2.urlopen('http://apricotclub.org/duh.html')
html = response.read().lower()
p = re.compile('<h[0-9]>\\s?(<a href=\"[A-Za-z0-9.]*\">)?\\s?[A-Za-z0-9.,:\'\"=/?;\\s]*\\s?[A-Za-z0-9.,:\'\"=/?;\\s]?')
stories=re.findall(p, html)
for i in stories:
if len(i) >= 5:
print i
我还应该注意,当我从正则表达式中取出(<a href=\"[A-Za-z0-9.]*\">)?
时,它对于非链接的<hN>
行很有效。
发布于 2008-09-18 04:52:26
在过去的几天里,这个问题已经以多种形式被提出,所以我将非常清楚地说明这一点。
问:如何使用正则表达式解析HTML?
答:请不要这样。
发布于 2008-09-18 04:43:01
使用正则表达式解析事物适用于正则语言。HTML不是一种常规的语言,现在你在网页上找到的东西完全是垃圾。BeautifulSoup使用类似浏览器的启发式方法来处理标记的超文本标记语言,因此您可以得到类似于浏览器显示内容的解析超文本标记语言。
缺点是它不是很快。有用于解析格式良好的html的lxml,但是如果您不能百分之百确定您的输入总是格式良好的,那么您应该真正使用BeautifulSoup。
发布于 2008-09-18 04:44:25
由于锚标记周围的大括号,该部分被解释为捕获组。这会导致只返回捕获组,而不是整个正则表达式匹配。
将整个正则表达式放在大括号中,您将看到正确的匹配项显示为返回的元组中的第一个元素。
但实际上,您应该使用真正的解析器。
https://stackoverflow.com/questions/90052
复制相似问题