如何使用正则表达式从python中带有空格的字符串中提取子字符串？

Question

我有一个长字符串，是从使用python的webscraping中获得的。我希望能够以类似{'XXXXXXXX':'AAAAAAAA','YYYYYYYY':'BBBBBBBB}的形式获得输出，并希望将所有内容都放在数据帧中

这是一个非常长的字符串示例：

\\n    display:block\\u0022\\u003E\\n                                  div class= span_6\\u0022\\u003E\\n                                     li class=\\u0022borderbottom padleft pad20 nomargin\\u0022\\u003E\\n   span\\u003E1. XXXXXXXX\\/span\\u003E\\n                                strong class=\\u0022floatright\\u0022\\u003EAAAAAAAA\\/strong\\u003E\\n       \\/li\\u003E\\n                                                        li class=\\u0022borderbottom padleft pad20 nomargin\\u0022\\u003E\\n   span\\u003E2. YYYYYYYY\\/span\\u003E\\n                                strong class=\\u0022floatright\\u0022\\u003EBBBBBBBB\\/strong\\u003E\\n

#为清晰起见，采用分块引用：

\n display:block\u0022\u003E\n
div class= span_6\u0022\u003E\n
li class=\u0022borderbottom padleft pad20 nomargin\u0022\u003E\n
span\u003E1. XXXXXXXX\/span\u003E\n
strong class=\u0022floatright\u0022\u003EAAAAAAAA\/strong\u003E\n
\/li\u003E\n
li class=\u0022borderbottom padleft pad20 nomargin\u0022\u003E\n
span\u003E2. YYYYYYYY\/span\u003E\n
strong class=\u0022floatright\u0022\u003EBBBBBBBB\/strong\u003E\n

我正在尝试这样做：

#s = the string 
pattern = "u003E\|(.*?)\|\\/strong"
substring = re.search(pattern, s).group(1) 
print(substring)

但它失败了。最好的方法是什么

编辑： 预期输出为两个列表：

list1 = ['XXXXXXXX','YYYYYYYY']
list2 = ['AAAAAAAA','BBBBBBBB']

Answer 1

您可以使用以下解决方案：

import re
s = '\\n    display:block\\u0022\\u003E\\n                                  div class= span_6\\u0022\\u003E\\n                                     li class=\\u0022borderbottom padleft pad20 nomargin\\u0022\\u003E\\n   span\\u003E1. XXXXXXXX\\/span\\u003E\\n                                strong class=\\u0022floatright\\u0022\\u003EAAAAAAAA\\/strong\\u003E\\n       \\/li\\u003E\\n                                                        li class=\\u0022borderbottom padleft pad20 nomargin\\u0022\\u003E\\n   span\\u003E2. YYYYYYYY\\/span\\u003E\\n                                strong class=\\u0022floatright\\u0022\\u003EBBBBBBBB\\/strong\\u003E\\n'
unescaped_s = s.encode('latin-1', 'backslashreplace').decode('unicode-escape')
pattern = r">\d+\.\s*([^<>]*)\\/span>\s*[^>]*>([^<>]*)\\/strong"
substrings = re.findall(pattern, unescaped_s)
print(dict(substrings))

见online Python demo。首先，该字符串是未转换的，并且正则表达式应用于未转换的输入字符串版本

regex是

>\d+\.\s*([^<>]*)\\/span>\s*[^>]*>([^<>]*)\\/strong

详细信息：

• >-a>字符
• \d+-一个或多个数字
• \.-一个点
• \s*-零个或多个空格
• ([^<>]*)-组1：除<和>之外的零个或多个字符
• \\/span>-\/span>文本
• \s*-零个或多个空格
• [^>]*>-除>和>字符以外的任何零个或多个字符
• ([^<>]*)-第2组：除<和>之外的零个或多个字符
• \\/strong-a\/strong>文本