使用regex从段落中获取地址

Question

有点疼。我正在使用Python进行一些抓取，试图从几行标记错误的HTML中获取地址。以下是格式示例：

256-555-5555<br/>
1234 Fake Ave S<br/>
Gotham (Lower Ward)<br/>

我只想检索1234 Fake Ave S, Gotham。有什么想法吗？我整晚都在做regex，现在我的脑子乱七八糟。。。在

编辑： 更详细地说明数据将如何到达的可能场景。有时第一条线会在那里，有时不会。我看到的所有地址都有Ave，Way，St，尽管我不想把它作为选择的一个因素，因为我不确定它们会一直这样。第二行和第三行是alPhone（或可能的电子邮件或网站）：

我的想法是

1. 选择第二行到最后一行的所有内容（因此，如果有三行，则选择第二行；如果没有电话号码，则选择第一行（如果只有两行）。在
2. 选择最后一行中不在括号中的所有内容。在
3. 合并第二行到最后一行和最后一行，在这两行之间加一个“，”。在

我用Scrapy来获取HTML代码。地址都在同一个div中，我想使用regex将数据进一步分解成适当的部分。我不知道该怎么做。在

编辑2：

根据Ofir的评论，我应该提到我已经用表达式来隔离电话号码和括号部分。在

电话（或可能的电子邮件或网站）：

^{pr2}$

括号：

\((.*?)\)

我不知道如何使用这些来构造除了这些语句之外的所有内容。在

Answer 1

在这种情况下，你不想集中精力做什么

• html标记（<br>）
• 电话号码
• 括号内的所有内容

其中的每一个都可以用简单的正则表达式轻松匹配，从而很容易构造一个匹配其余的表达式（大概是地址）

Answer 2

据我所知，你解决问题的方法不对。在

正则表达式并不是一个神奇的工具，它可以从杂乱无章的文本元素中提取相关数据。它是一种工具，它只能从文本中提取数据，而文本中有可变部分，但也有最小的稳定结构作为锚，变量部分可以相对于文本进行本地化。在

在你的治疗中，在我看来，你首先隔离了这一部分，它包含可能的电话号码，然后是地址的1/2行。但是这样做，你就丢失了信息：之前是什么，之后是什么是锚定信息，你不应该试图在删除这些信息后获得的剩余部分中找到一些东西。在

此外，我假设您不只是想捕获一个电话号码和一个地址：您可能希望提取出本节前后的其他信息。使用一个形状良好的正则表达式，您可以一次捕获所有片段。在

所以，请给出更多的文本，在有限的部分前面有足够的字符，后面有足够的字符，这样就可以编写一个正确、更简单的regex策略来捕获所有需要的数据。triplee已经问过你了，你没有，为什么？在

Answer 3

这将尝试从字符串中隔离最后两行：

>>> s="""256-555-5555<br/>
... 1234 Fake Ave S<br/>
... Gotham (Lower Ward)<br/>
... """
>>> m = re.search(r'((?!</br>).*)<br/>\n((?!</br>).*)<br/>$)', s)
>>> print m.group(1)
1234 Fake Ave S

修剪圆括号可能最好留到单独的代码行，而不是使正则表达式进一步复杂化。在