如何控制Python的re.findall()在HTML字符串中返回的结果？
我想要找到所有出现的“Catalina 320”，前提是它们出现在“这些船”这个字符串之前（下面有个简单的例子）。
我已经有了可以找到所有“Catalina 320”的代码，但我不知道怎么在“这些船”这个字符串那里停止。
resultsArray = re.findall(r'<tag>(Catalina 320)</tag>', string, re.DOTALL)
有没有人能帮我解决这个问题？我试着加上‘.+这些船’，但没成功。
谢谢- JD
Blah blah blah
<tag>**Catalina 320**</tag>
Blah
<td>**Catalina 320**</td>
Blah Blah
<tag>**These boats** are fully booked for the day</tag>
Blah blah blah
<tag>Catalina 320</tag>
<tag>Catalina 320</tag>
4 个回答
0
groups = re.findall(r'(Catalina 320)*.*These boats, r.read(), re.DOTALL)
第一组中的内容会包含Catalina 320比赛的列表。
3
你可以用正则表达式来解决这个问题，但根据你描述的问题，其实不一定需要用到正则表达式见尾注1。
你应该使用lxml来解析这个内容...
import lxml.etree as ET
from lxml.etree import XMLParser
resultsArray = []
parser = XMLParser(ns_clean=True, recover=True)
tree = ET.parse('foo.html', parser) # See End-Note 2
for elem in tree.findall("//"):
if "These boats" in elem.text:
break
elif "Catalina 320" in elem.text:
resultsArray.append(ET.tostring(elem).strip())
print resultsArray
执行这个后会得到：
[mpenning@Bucksnort ~]$ python foo.py
['<tag>**Catalina 320**</tag>', '<td>**Catalina 320**</td>']
[mpenning@Bucksnort ~]$
尾注：
你提问的当前版本没有有效的标记，但我假设你有xml或html（这也是你在问题第1版中提供的内容）……我的回答可以处理你写的文本，但假设有某种结构的标记会更合理，所以我使用了以下输入文本，并将其保存在本地，命名为foo.html：
<body> <tag>Blah blah blah</tag> <tag>**Catalina 320**</tag> <tag>Blah<tag> <td>**Catalina 320**</td> </tag>Blah Blah </tag> <tag>**These boats** are fully booked for the day</tag> <tag>Blah blah blah</tag> <tag>Catalina 320</tag> <tag>Catalina 320</tag> </body>如果你想更小心地处理编码问题，可以在用
lxml解析HTML时，使用lxml.soupparser作为备用方案。
from lxml.html import soupparser
# ...
try:
parser = XMLParser(ns_clean=True, recover=True)
tree = ET.parse('foo.html', parser)
except UnicodeDecodeError:
tree = soupparser.parse('foo.html')
2
如果你的问题没有其他背景信息，你可以在第一次出现 'These boats' 之前进行搜索：
re.findall('Catalina 320', string.split('These boats')[0])