代码之家 › 专栏 › 技术社区 › NotSimon

Python正则表达式是否跳过前几个字符?

html-parsing regex python

NotSimon · 技术社区 · 16 年前

嘿,我有一个关于正则表达式的基本问题。我只想返回body标记内(包括)的文本,我知道下面的错误,因为它还将匹配开始body标记之前的所有字符。我想知道你会怎么跳过那些?

x = re.match('(.*<body).*?(</body>)', fileString)

谢谢

6 回复 | 直到 16 年前

unutbu 16 年前

下面是一些示例代码,它使用正则表达式查找 <body>...</body> 标签。尽管这演示了python re模块的一些特性,但请注意 Beautiful Soup 模块非常易于使用,如果您计划解析HTML或XML,它是一个更好的工具(请参阅下面的示例,了解如何使用BeautifulSoup解析此内容。)

#!/usr/bin/env python
import re

# Here we have a string with a multiline <body>...</body>
fileString='''baz<body>foo
baby foo
baby foo
baby foo
</body><body>bar</body>'''

# re.DOTALL tells re that '.' should match any character, including newlines.
x = re.search('(<body>.*?</body>)', fileString, re.DOTALL)
for match in x.groups():
    print(match)
# <body>foo
# baby foo
# baby foo
# baby foo
# </body>

print(re.findall('(<body>.*?</body>)', fileString, re.DOTALL))
# ['<body>foo\nbaby foo\nbaby foo\nbaby foo\n</body>', '<body>bar</body>']

pat=re.compile('(<body>.*?</body>)', re.DOTALL)
print(pat.findall(fileString))
# ['<body>foo\nbaby foo\nbaby foo\nbaby foo\n</body>', '<body>bar</body>']

以下是您如何使用BeautifulSoup:

#!/usr/bin/env python
from BeautifulSoup import BeautifulSoup

fileString='''baz<body>foo
baby foo
baby foo
baby foo
</body><body>bar</body>'''
soup = BeautifulSoup(fileString)
print(soup.body)
# <body>foo
# baby foo
# baby foo
# baby foo
# </body>

print(soup.findAll('body'))
# [<body>foo
# baby foo
# baby foo
# baby foo
# </body>, <body>bar</body>]

Peter Boughton 16 年前

我不懂Python,但这里有一个使用 Beautiful Soup

import BeautifulSoup

soup = BeautifulSoup(fileString)

bodyTag = soup.html.body.string

这将(理论上)处理HTML的所有复杂性,这对于纯基于regex的答案来说非常困难,因为它不是regex设计的目的。

Mike Graham 16 年前

不能用正则表达式解析HTML。HTML不是一种常规语言。改用像lxml这样的HTML解析器。

-2

Ewan Todd 16 年前

 x = re.match('.*(<body>.*?</body>)', fileString)

考虑MIDIOM进行HTML解析。

-2

foosion 16 年前

x = re.search('(<body>.*</body>)', fileString)
x.group(1)

-2

RedGlyph sumit sonawane 16 年前

您的文件字符串是否包含多行

x = re.match(r"(?:.|\n)*(<body>(?:.|\n)*</body>)", fileString)

或者,更简单地使用re模块:

x = re.match(r".*(<body>.*</body>)", fileString, re.DOTALL)

x.groups()[0] 如果x不是None,则应包含字符串。

推荐文章

user3127554 · Powershell HTML未格式化

8 年前

user1922364 · 从一个页面获取所有链接

9 年前

GonzaloXavier · 提取R中<option>标记的内容

9 年前

Deepa MG · 如何将参数发送到另一个PHP网站的AJAX POST方法并获取JSON信息

9 年前

Anurag Sharma · 从自由流动的文本中删除html标记以形成独立的句子

9 年前

Shafizadeh · 为什么查询与DOM不匹配?

9 年前

Yannis Dran · 提取存储在磁盘上的html文件的url和名称,并分别打印它们-Python

9 年前

Athapali · 如何使用jquery获取变量中元素的文本?

9 年前

Mona G · html中响应头的jmeter正则表达式提取器

10 年前

Paul · Jsoup-从元素中提取html

10 年前