Question

我有这个HTML：

<li class="news_list_bo"><a href="/news_view.php?article_id=2752">URLHunter 프로그램 버퍼오버플로우 취약점 발견!</a>
<ul class="new_liview">
    <li class="img"><a href="/news_view.php?article_id=2752"><img height="45" width="65" src="/image_article/458226972502b655fa1b7b.jpg" /></a></li>                         
    <li class="text"><a href="/news_view.php?article_id=2752">웹페이지를 구성하는 그림파일, 플래쉬파일, 미디어파일들과 같은 구성요소를 사용자에게 보여주는 URLHunter 프로그램에서 버퍼오...</a></li>
</ul>

我正在尝试检索a标签中的文字，如下所示：

>>> tmp_title = re.findall(r'<a href="/news_view.php?article_id=[0-9]+">(.*?)</a>',tmp_str,re.I|re.DOTALL)'

然而，它没有找到任何东西：

>>> print tmp_title
[]

如何找到<li class="text"><a href="/news_view.php?article_id=2752">和</a></li>之间的文字？

Answer 1

我建议使用像Beautiful Soup这样的HTML解析器来处理大部分内容，而不是试图纠正正则表达式来完成所有操作。但是，正则表达式可能适用于在解析HTML后匹配URL。

我们可以从构造正则表达式开始，以匹配您想要的URL。您的问题是?在正则表达式中具有特殊含义。如果你需要字面上匹配?，你需要逃避它。无论如何，这是一个匹配所需URL的正则表达式：

^/news_view\.php\?article_id=[0-9]+$

当您需要查找字符串时，您可以先将HTML解析为汤：

soup = bs4.BeautifulSoup(html)

请参阅the documentation's section on SoupStrainers以提高效果。

然后，您可以将所有a代码与您感兴趣的href匹配：

links = soup.find_all('a', href=NEWS_URL_RE)

然后你可以从链接中获取所有文本：

link_texts = [link.get_text() for link in links]

如何使用python正则表达式查找特定字符串

1 个答案: