在Python中使用正则表达式匹配字符串的开始和结束

Question

我想用Python从这个网页中提取可解析的引用信息。比如，对于这个页面，我想提取到pl/111/148和pl/111/152。我现在用的正则表达式如下，但它似乎返回了所有在可解析引用之后的内容。可能是个简单的问题，但我对正则表达式还比较陌生。提前谢谢大家。

re.findall(r'^parsable-cite=.*>$',page)

相关问题：

• 如何在Python中从文件读取到下一行的下一个单词或多个单词？
• 如果行以关键字开头，匹配数字
• 在文本块中查找并替换URL，返回文本和URL列表
• 提取段落的正则表达式
• 使用正则表达式匹配直到某个模式
• Python正则表达式查找所有单词组
• 如何正确使用正则表达式提取数据
• 如何使用正则表达式从底部向上搜索？

Answer 1

虽然这是一个包含HTML内容的JSON字符串，但你仍然可以使用BeautifulSoup来处理它：

soup = BeautifulSoup(htmls);
tags = soup.findAll("external-xref", {"parsable-cite":re.compile("")})
for t in tags:
    print t['parsable-cite']

Answer 2

可能像这样：

(?<=parsable-cite=\\\")\w{2}\/\d{3}\/\d{3}

http://regex101.com/r/kE9uE3

Answer 3

你看到的这个 .* 是“贪婪”的意思，也就是说它会尽可能多地匹配，包括任意数量的 > 字符以及后面跟着的任何东西。

如果你真正想要的是“直到下一个 > 之前的所有内容”，那么你应该用 [^>]*>，这表示“任意数量的不是 > 的字符，然后是一个 >”。

Answer 4

让你的正则表达式变得懒惰：

re.findall(r'^parsable-cite=.*?>$',page)
                              ^

或者使用一个否定类（更推荐）：

re.findall(r'^parsable-cite=[^>]*>$',page)

.* 默认是贪婪的，它会尽量匹配尽可能多的内容，然后再判断是否符合条件。

regex101 演示

如果你只想获取需要的部分，可以使用捕获组：

re.findall(r'^parsable-cite=([^>]*)>$',page)

regex101 演示

---

不过，从你网页的布局来看，似乎并不需要使用锚点（^ 和 $），除非网站上某种方式去掉了换行符……

Answer 5

我强烈推荐使用这个正则表达式，它能捕捉到你想要的内容：

re.findall(r'parsable-cite=\\\"(.*?)\\\"\>',page)

解释：

parsable-cite= matches the characters parsable-cite= literally (case sensitive)
  \\ matches the character \ literally
  \" matches the character " literally
  1st Capturing group (.*?)
  .*? matches any character (except newline)
      Quantifier: Between zero and unlimited times, as few times as possible,
           expanding as needed
  \\ matches the character \ literally
  \" matches the character " literally
  \> matches the character > literally

使用?是关键哦；)

希望这对你有帮助。