Question

我正在尝试使用正则表达式匹配短语，只要该短语中没有任何单词出现在html标记内。

对于此示例，我使用以下网址：

   url = "http://www.sidley.com/people/results.aspx?lastname=B"

我正在使用的正则表达式是：

   regexp = "Babb(?!([^<]+)?>).+?Jonathan(?!([^<]+)?>).+?C(?!([^<]+)?>)"
   page = urllib2.urlopen(url).read()
   re.findall(regexp, page, re.DOTALL)

使用该正则表达式，我得到以下输出：

   [('', '', '')]

当我将正则表达式更改为（*注意外部的parens）时：

   regexp = "(Babb(?!([^<]+)?>).+?Jonathan(?!([^<]+)?>).+?C(?!([^<]+)?>))"
   page = urllib2.urlopen(url).read()
   re.findall(regexp, page, re.DOTALL)

我明白了：

   [('Babb, Jonathan C', '', '', '')]

我很困惑为什么会这样。

1）为什么我将这些空字符串作为匹配？ 2）为什么第一个正则表达式，我没有得到实际的匹配？

最后，

我该如何解决这个问题？

提前感谢您的帮助。

Answer 1

您获得空字符串的原因是您正在使用非贪婪。如果您不想要这些信息，只需删除一些括号即可。事实上，你应该真正研究非分组括号或只是一些无关的对。

我将使用的最终代码（对于整个过程）将是

import re
import urllib2


url = 'http://www.sidley.com/people/results.aspx?lastname=B'
regexp = 'Babb(?!<+?>).+?Jonathan(?!<+?>).+?C(?!<+?>)'

page = urllib2.urlopen(url).read()
re.findall(regexp, page, re.DOTALL)

正则表达式的细分：

我们选择第一个单词。 Babb
我们不想要匹配任何HTML标记，因此我们使用必须不匹配的反组。 (?!)
在此范围内，我们放置了一个选择HTML标记的正则表达式（不太确定为什么这个特定的表达式有效，而不是.+?>）。 <+?>
我们选择至少一个字符，非贪婪。 .+?
我们会针对其他每个字词Jonathan和C重复此过程。

python中的正则表达式，匹配html标记之外的单词

1 个答案: