Question

嘿，我有一个关于正则表达式的相当基本的问题。我想只返回body（包括）body标签中的文本，我知道以下是不对的，因为它也会匹配开始body标签之前的所有字符。我想知道你怎么去跳过那些？

x = re.match('(.*<body).*?(</body>)', fileString)

谢谢！

Answer 1

我不知道Python，但是这是一个使用Beautiful Soup一起抛出的快速示例，我经常看到建议用于Python HTML解析。

import BeautifulSoup

soup = BeautifulSoup(fileString)

bodyTag = soup.html.body.string

那将（理论上）处理HTML的所有复杂性，这对于纯正则表达式的答案来说非常困难，因为它不是正则表达式的设计目的。

Answer 2

以下是一些使用正则表达式查找<body>...</body>标记之间所有文本的示例代码。虽然这演示了python的re模块的一些功能，但请注意Beautiful Soup模块非常易于使用，如果您计划解析HTML或XML，它是一个更好的工具。（有关如何使用BeautifulSoup解析此问题的示例，请参见下文。）

#!/usr/bin/env python
import re

# Here we have a string with a multiline <body>...</body>
fileString='''baz<body>foo
baby foo
baby foo
baby foo
</body><body>bar</body>'''

# re.DOTALL tells re that '.' should match any character, including newlines.
x = re.search('(<body>.*?</body>)', fileString, re.DOTALL)
for match in x.groups():
    print(match)
# <body>foo
# baby foo
# baby foo
# baby foo
# </body>

如果您希望收集所有比赛，可以使用re.findall：

print(re.findall('(<body>.*?</body>)', fileString, re.DOTALL))
# ['<body>foo\nbaby foo\nbaby foo\nbaby foo\n</body>', '<body>bar</body>']

如果您计划多次使用此模式，可以预先编译它：

pat=re.compile('(<body>.*?</body>)', re.DOTALL)
print(pat.findall(fileString))
# ['<body>foo\nbaby foo\nbaby foo\nbaby foo\n</body>', '<body>bar</body>']

以下是使用BeautifulSoup的方法：

#!/usr/bin/env python
from BeautifulSoup import BeautifulSoup

fileString='''baz<body>foo
baby foo
baby foo
baby foo
</body><body>bar</body>'''
soup = BeautifulSoup(fileString)
print(soup.body)
# <body>foo
# baby foo
# baby foo
# baby foo
# </body>

print(soup.findAll('body'))
# [<body>foo
# baby foo
# baby foo
# baby foo
# </body>, <body>bar</body>]

Answer 3

您无法使用正则表达式解析HTML。 HTML不是常规语言。请使用像lxml这样的HTML解析器。

Answer 4

 x = re.match('.*(<body>.*?</body>)', fileString)

考虑使用minidom进行HTML解析。

Answer 5

x = re.search('(<body>.*</body>)', fileString)
x.group(1)

比匹配答案少打字

Answer 6

你的fileString是否包含多行？在这种情况下，您可能需要指定它或明确跳过这些行：

x = re.match(r"(?:.|\n)*(<body>(?:.|\n)*</body>)", fileString)

或更简单地使用re模块：

x = re.match(r".*(<body>.*</body>)", fileString, re.DOTALL)

如果x不是None，

x.groups()[0]应包含您的字符串。

Python RegEx跳过前几个字符？

6 个答案: