Question

我正在尝试为另一个脚本编写一个小函数，从“http://subfusion.net/cgi-bin/quote.pl?quote=humorists&number=1”中提取生成的文本从本质上讲，我需要它来拉动＆lt;之间的任何句子。 BR＆GT;标签。

我一直在尝试使用正则表达式，但我从来没有真正能够掌握它们我所做的所有搜索都提到了拉动特定句子或单个单词的东西然而，这需要拉出＆lt;之间的任意字符串。 BR＆GT;标签

任何人都可以帮助我吗？感谢。

我能想到的最好：

html = urlopen("http://subfusion.net/cgi-bin/quote.pl?quote=humorists&number=1").read()
output = re.findall('\<br>.*\<br>', html)

编辑：结束使用不同的方法，简单地将HTML拆分为由＆lt;分隔的列表。 BR＆GT;并拉[3]，使代码更清晰，字符串操作更少。保留这个问题以备将来参考和其他有类似问题的人。

Answer 1

您需要使用DOTALL标志，因为表达式中需要匹配新行。我会用

re.findall('<br>(.*?)<br>', html, re.S)

但是会返回多个结果，因为该页面上有一堆<br><br>。您可能想要使用更具体的内容：

re.findall('<hr><br>(.*?)<br><hr>', html, re.S)

Answer 2

from urllib import urlopen
import re
html = urlopen("http://subfusion.net/cgi-bin/quote.pl?quote=humorists&number=1").read()
output = re.findall('<body>.*?>\n*([^<]{5,})<.*?</body>', html, re.S)

if (len(output) > 0):
    print(output)
    output = re.sub('\n', ' ', output[0])
    output = re.sub('\t', '', output)
    print(output)

<强>终端

imac2011:Desktop allendar$ python test.py 
['A black cat crossing your path signifies that the animal is going somewhere.\n\t\t-- Groucho Marx\n\n']

A black cat crossing your path signifies that the animal is going somewhere. -- Groucho Marx

您还可以删除最终的\n并使用<br />替换文本中的所有内容（在较长的引号上），如果您再次在HTML中显示它，那么您将保留原始文本视线断线。

Answer 3

该页面的所有笑话都有相同的模型，没有含糊不清的东西，你可以使用这个

output = re.findall('(?<=<br>\s)[^<]+(?=\s{2}<br)', html)

无需使用dotall标志，因为没有点。

Answer 4

现在是7年后，但是供以后参考：

按照Floris在评论中的建议，将beautifulsoup库用于这些目的。

使用python正则表达式在HTML中查找随机句子

4 个答案: