Python中的正则表达式问题
好的，我正在写一个正则表达式，用来查找网站中的所有头部信息。
我已经编写了这个正则表达式：
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)
在我用Python的正则表达式测试工具运行它时，效果非常好。
这里有一些示例数据：
<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>
在REDemo中，它也运行得很好。
但是，当我把它放到我的Python代码里时，它只打印出<a href="dog.com">。
这是我的Python代码，我不确定我是不是哪里做错了，或者是不是在转换过程中出了问题。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
我还要提到的是，当我把正则表达式中的(<a href=\"[A-Za-z0-9.]*\">)?去掉时，它对非链接的<hN>行也能正常工作。
6 个回答
2
因为锚点标签周围有大括号，所以那部分被当作一个捕获组来处理。这就导致只有捕获组的内容被返回，而不是整个正则表达式的匹配结果。
如果把整个正则表达式放在大括号里，你会发现正确的匹配结果会作为返回元组中的第一个元素出现。
不过，确实应该使用一个真正的解析器。
4
用正则表达式解析东西适合处理常规语言，但HTML并不是常规语言。现在网页上的内容往往很乱。BeautifulSoup这个工具可以处理这种杂乱的HTML，它的工作方式像浏览器一样，所以解析出来的HTML看起来更像浏览器显示的内容。
不过，它的速度不是特别快。如果你要解析格式正确的HTML，可以用lxml，但如果你不完全确定输入的HTML总是格式正确，还是建议使用BeautifulSoup。
23
最近几天，有很多人问过这个问题，所以我想说得很清楚。
问：我该如何用正则表达式解析HTML？
答：请不要这样做。
请使用 BeautifulSoup、html5lib 或 lxml.html。拜托了。