使用Python正则表达式从Craigslist RSS提取地址

Question

我正在抓狂，想从craigslist的RSS源中提取位置信息。

我使用了feedparser来解析这个源，把它分成条目和条目描述。不过，地址信息却藏在描述部分一些不规则的标签里。

这些地址信息的格式大概是这样的：

<!-- CLTAG xstreet0=11832 se 318pl  -->
<!-- CLTAG xstreet1= -->
<!-- CLTAG city=auburn -->
<!-- CLTAG region=wa -->
11832 se 318pl 

Feedparser对这些CLTAGS不太友好。我用正则表达式尝试捕捉第一行，结果是这样的：

addressStart = r'!-- CLTAG xstreet0='
addressEnd = r'-->'

prog = re.compile(addressStart(.*?)addressEnd)
result = prog.match(string)

...但这并没有成功。我哪里出错了呢？这是我正在处理的RSS源的链接：'http://seattle.craigslist.org/see/apa/index.rss'

非常感谢任何帮助！

Answer 1

试试用 search 代替 match。原因是你的这一行是以 < 开头的，但你定义的 addressStart 是以 ! 开头的。search 可以在字符串的任何位置找到匹配，而 match 只会在开头找匹配。你也可以重新定义 addressStart，让它包含开头的 <。

>>> import re;
>>> addressStart = r'!-- CLTAG xstreet0='
>>> addressEnd = r'-->'
>>> prog = re.compile(addressStart + "(.*?)" + addressEnd)
>>> string = "<!-- CLTAG xstreet0=11832 se 318pl  -->"
>>> result = re.search(prog, string)
>>> result
<_sre.SRE_Match object at 0x1004806c0>
>>> result.group(1)
'11832 se 318pl  '

Answer 2

这段代码有语法错误。你不能把字符串连接在一起或者格式化字符串，除非这些字符串是用引号括起来的。你可以试试：

addressStart = r'!-- CLTAG xstreet0='
addressEnd = r'-->'

prog = re.compile(addressStart + r'(.*?)' + addressEnd)
result = prog.match(string)