Python中的正则表达式，匹配HTML标签外的单词

Question

我正在尝试用正则表达式匹配一个短语，但前提是这个短语中的任何单词都不能出现在HTML标签内。

在这个例子中，我使用了以下网址：

   url = "http://www.sidley.com/people/results.aspx?lastname=B" 

我使用的正则表达式是：

   regexp = "Babb(?!([^<]+)?>).+?Jonathan(?!([^<]+)?>).+?C(?!([^<]+)?>)"
   page = urllib2.urlopen(url).read()
   re.findall(regexp, page, re.DOTALL)

用这个正则表达式，我得到了以下输出：

   [('', '', '')]

当我把正则表达式改成这样（注意外面的括号）：

   regexp = "(Babb(?!([^<]+)?>).+?Jonathan(?!([^<]+)?>).+?C(?!([^<]+)?>))"
   page = urllib2.urlopen(url).read()
   re.findall(regexp, page, re.DOTALL)

我得到了：

   [('Babb, Jonathan C', '', '', '')]

我对这个结果感到困惑。

1) 为什么我会得到这些空字符串作为匹配结果？

2) 为什么在第一个正则表达式中，我没有得到实际的匹配结果？

最后，

我该怎么解决这个问题？

提前感谢你的帮助。

Answer 1

你得到空字符串的原因是因为你使用了非贪婪模式。如果你不想要这些信息，只需去掉一些括号。实际上，你应该考虑使用不分组的括号，或者去掉一些多余的括号。

---

我会使用的最终代码（整个过程）是：

import re
import urllib2


url = 'http://www.sidley.com/people/results.aspx?lastname=B'
regexp = 'Babb(?!<+?>).+?Jonathan(?!<+?>).+?C(?!<+?>)'

page = urllib2.urlopen(url).read()
re.findall(regexp, page, re.DOTALL)

下面是对正则表达式的详细解释：

• 我们选择第一个单词。Babb
• 我们不想匹配任何HTML标签，所以我们使用一个不匹配的反组。(?!)
• 在这里，我们放入一个选择HTML标签的正则表达式（不太确定为什么这个特定的表达式有效，而不是.+?>）。<+?>
• 我们选择至少一个额外的字符，采用非贪婪模式。.+?
• 我们对其他单词（Jonathan和C）重复这个过程。