正规表达式提取和排除字符串中的数据

Question

我有一个类似html的字符串，我想从中提取数据。在

s="<ul><li>this is a bullet lev 1&nbsp;</li><li><ul><li><strong>&nbsp;this</strong> is a bullet lev&nbsp;</li></ul></li><li>&nbsp;<ul><li><ul><li>this is a bullet lev 3</li></ul></li></ul></li></ul></ul><strong></li>

““

我想提取包含<；li>；元素的所有数据的内容，这些元素之间包含类似“this is a bullet lev 1”的元素，而不是包含其他元素的元素，如

^{pr2}$

我为此写了一个正则表达式

<li>([\w &;/<>]*?)</li>

然而，这最终也会带来不需要的数据

<li>this is a bullet lev 1&nbsp;</li>
<li><ul><li><strong>&nbsp;this</strong> is a bullet lev&nbsp;</li>
<li>&nbsp;<ul><li><ul><li>this is a bullet lev 3</li>

当我想要它拉的时候

<li>this is a bullet lev 1&nbsp;</li>
<li><strong>&nbsp;this</strong> is a bullet lev&nbsp;</li>
<li>&nbsp;<ul><li><ul><li>this is a bullet lev 3</li>

我的想法是，我希望排除提取数据中已经包含的任何结果，然后继续前进。在

根据我的研究，我知道我可能要用“向前看”或“向后看”，我试了几次，但都没用。在

有什么线索吗？我正在使用python和它内置的re模块。在

Answer 1

我想这也许能解决问题。在

<li>((?!<li>).)*?</li>

应该匹配任何<li>后跟</li>以及两者之间的任何内容，只要它们不包含<li>（使用lookahead）

这假设您实际上并不想要<li>&nbsp;<ul><li><ul><li>this is a bullet lev 3</li>，而是希望在您的示例中使用<li>this is a bullet lev 3</li>，这似乎更符合您的描述。在

也就是说，一般来说，对于这类事情，解析器确实是一个更好的主意。在

Answer 2

我以前从未使用过BeautifulSoup，但我在15分钟内安装了它，而且没有阅读任何文档：

>>> s="<ul><li>this is a bullet lev 1&nbsp;</li><li><ul><li><strong>&nbsp;this</strong> is a bullet lev&nbsp;</li></ul></li><li>&nbsp;<ul><li><ul><li>this is a bullet lev 3</li></ul></li></ul></li></ul></ul><strong></li>"
>>> from BeautifulSoup import BeautifulSoup
>>> soup = BeautifulSoup(s)
>>> for liRaw in soup.findAll('li'):
...   if liRaw.findParent().findParent().name == u'[document]':
...     print liRaw.text
this is a bullet lev 1&nbsp;
&nbsp;thisis a bullet lev&nbsp;
&nbsp;this is a bullet lev 3

希望这能帮助。。。在