Python正则表达式 - 在Expresso中有效但在IronPython中无效

Question

回到我之前提到的HTML问题。我在尝试学习一些正则表达式（RegEx），虽然我知道还有其他方法。我并不是傻，只是喜欢挑战...

我的表达式是：

publisher.php\?c=.*?\">(.*?)</a>(?:.*?)<br\s\\>(?:[\s\r\n]*?)Date:\s<time\sdatetime="(.*?)\">(?:.*?)(?:[\s\r\n]*?)Pages:\s*?(\d*?)<br\s\\>

想要匹配以下内容：

<p>Country: <a href="country.php?c=it">Italy</a><br \>
            Publication: <a href="publication.php?c=it/TL">Topolino (libretto)</a></p>
                Publisher: <a href="publisher.php?c=Mondadori">Mondadori</a><br><br \>
                    Date: <time datetime="1970-11-22">November 22, 1970</time><br \>
                    Pages: 196<br \>

                    Price: 150 Lit. <br \>
                    <span class="indexedBy">Index delivered by: <a href="mag-inx.php?c=ABo">ABo</a></span>

如果我在Expresso里测试，它运行得很好，但当我在Python中运行时，组1的结果立刻就是None...

有什么线索吗？

谢谢，

M

Answer 1

你是怎么在Python里运行这个的？你有没有把它当成原始字符串来处理？你有没有加上多行标志？

你在使用双引号、单引号和反斜杠的时候混用得有点乱，这可能会引起问题。比如这段看起来就有点奇怪：

c=.*?\">

不过在我用Linux x86的Python 2.6.6上，这个似乎是可以正常工作的。

$ cat expresso.py 
import re

str = r'''<p>Country: <a href="country.php?c=it">Italy</a><br \>
            Publication: <a href="publication.php?c=it/TL">Topolino (libretto)</a></p>
                Publisher: <a href="publisher.php?c=Mondadori">Mondadori</a><br><br \>
                    Date: <time datetime="1970-11-22">November 22, 1970</time><br \>
                    Pages: 196<br \>

                    Price: 150 Lit. <br \>
                    <span class="indexedBy">Index delivered by: <a href="mag-inx.php?c=ABo">ABo</a></span>'''

pat = r'publisher.php\?c=.*?\">(.*?)</a>(?:.*?)<br\s\\>(?:[\s\r\n]*?)Date:\s<time\sdatetime="(.*?)\">(?:.*?)(?:[\s\r\n]*?)Pages:\s*?(\d*?)<br\s\\>'
res = re.search(pat, str, re.MULTILINE)
print res.groups()

$ python expresso.py
('Mondadori', '1970-11-22', '196')

Answer 2

1. 所有的正则表达式实现都有一些细微的差别。在一个工具（比如expresso）上能用，并不代表在Python上也能用。可能是因为它们默认的设置不同，比如对空格的处理等等。

2. 除非情况非常简单，否则不要用正则表达式来匹配HTML或XML。应该使用专门处理HTML/XML的库，比如lxml或者BeautifulSoup。

3. 你的正则表达式太复杂了，光是想要理解它我就头疼。参考第二条。

4. 当你这样写：\\>时，你实际上创建了一个反斜杠和一个大于号。正则表达式会把它当作一个字面意义上的符号。你需要写三个反斜杠：\\\>，或者更好的是，使用原始字符串，也就是用r''而不是''。

5. 真的，使用BeautifulSoup。