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

Google User · Django管理员在`list_display中未显示`creation_date`字段`

1 年前

user29747013 · 如何创建一个新的数据框架,其中包含原始数据框架中列的聚合列?

1 年前

ÎÎÎ½Î· ÎÎ®Î¹Î½Î¿Ï · Python lxml.html语法错误:使用lxml find时XPATH的谓词无效

1 年前

user29715306 · from_users=和chats=电视节目中的差异

1 年前

Redshoe · 当执行numpy.genfromtxt()时,python是否会读取文件的所有行?

1 年前

RASEL MAHMUD · 为什么以及如何在is_even()函数内的IF条件中递归X变量在满足0后递增?[副本]

1 年前

prayner · 更新嵌套字典包含列表中的项

1 年前

Bringo Jr · 我可以在O(n)中解决这个问题吗?

1 年前

Dave · 如何在for循环中修改列表值

1 年前

Shukurullox Komiljonov · 从记录中获得相互和解。使用SQL

1 年前