Python正则表达式字符串提取

Question

我想用正则表达式从这个字符串中提取两个字符串。

'<img src="http://images.efollett.com/books/978/047/012/9780470129296.gif" width="80" height="100" alt="Organic Chemistry I (as Second Language)" />'

我想要的是在src后面的URL和在alt后面的文本（比如“作为第二语言的有机化学I”）以及这个URL。

我试过 ('<img src=(\w+)" width')、('<img src="(\w+)"') 和 ('src="(\w+)"\swidth') 来获取URL，但都返回空。

我也试过 ('alt="(\w+)"') 来获取名称，但同样没有成功。

有人能帮忙吗？

Answer 1

虽然你应该不要用正则表达式来解析HTML，但我可以指出一个常见的错误，就是你使用了\w。这个只匹配字母（大写A-Z和小写a-z）、数字（0-9）和下划线。它不匹配斜杠和括号。如果你想从属性中提取数据，可以使用"([^"]*)"或者"(.*?)"。

Answer 2

使用 lxml 这个库。

import lxml.html

html_string = '<img src="http://images.efollett.com/books/978/047/012/9780470129296.gif" width="80" height="100" alt="Organic Chemistry I (as Second Language)" />'

img = lxml.html.fromstring(html_string)

print "src:", img.get("src")
print "alt:", img.get("alt")

结果是:

src: http://images.efollett.com/books/978/047/012/9780470129296.gif
alt: Organic Chemistry I (as Second Language)

Answer 3

你可以试试 r'<img[^>]*\ssrc="(.*?)"' 和 r'<img[^>]*\salt="(.*?)"'。

我不确定你是不是在处理HTML。[^>]* 是为了确保在尖括号里面。\s 是用来避免一些像“xxxsrc”这样的标签，并且处理换行符。