如何让我的正则表达式捕获冒号两侧的文本？

Question

我正在尝试从一个文件中解析一些输入文本，这些文本最初是从Twitter的API获取的。这个文件是纯文本格式，我这次并没有获取JSON格式的数据。以下是输入文本的一部分：

.....HootSuite</a>", "text": "For independent news reports on the crisis in #Japan, 
see @DemocracyNow News Archive: http://ow.ly/4ht9Q
#nuclear #Fukushima #rdran #japon", "created_at": "Sat Mar 19.....

基本上，我需要提取这些内容：

"text": "For independent news reports "on" the crisis in #Japan, see @DemocracyNow 
News Archive: http://ow.ly/4ht9Q #nuclear #Fukushima #rdran #japon"

我尝试过的两个方法如下，但我在使用它们时遇到了一些问题：

    re.findall('"text":[^_]*',line)
    re.findall('"text":[^:}]+',line)

第一个方法可以让我提取到“created”之前的所有内容，第二个方法也能部分工作，但当文本中包含“:”时，它就无法提取到信息的末尾。

有没有人对正则表达式有经验，可以给我一些建议？

Answer 1

Json是一种比较简单的格式，如果你只是想做一些简单的事情，其实不一定需要专门的解析器。比如说，看看这一行：

>>> line = """{ "text" : "blah blah foo", "other" : "blah blah bar" }"""

这里有两种方法可以实现你想要的效果。

第一种方法是用正则表达式：

>>> import re
>>> m = re.search('"text"\ *:\ *"([^"]*)',line)
>>> m.group()
'"text" : "blah blah bar'
>>> m.group(1)
'blah blah bar'

第二种方法是用eval（因为json在Python中使用得很广泛）：

>>> d = eval(line)
>>> d['text']
'blah blah bar'

Answer 2

使用 simplejson 来解析 JSON 数据。

可以参考这个教程: http://blogs.openshine.com/pvieytes/2011/05/18/parsing-twitter-user-timeline-with-python/

Answer 3

如果你在使用Twitter的API，我想它会给你返回JSON格式的数据。JSON可以有很多层嵌套，而用普通的正则表达式是无法在所有情况下正确解析这些数据的。你最好使用一个专门的JSON解析器。因为YAML是JSON的一个扩展格式，你也可以使用YAML解析器。我建议你看看PyYaml这个工具。（这是我所了解的，市面上可能还有其他JSON解析器）

然后解析数据就会变得非常简单：

import yaml
results = yaml.load(twitter_response)
print results["text"]  # This would contain the string you're interested in.