Question

我是python的新手，我正在尝试从字符串中提取一个值，但它不起作用。我的字符串是这样的：

<a href="/profile/view?id=34232962&goback=%2Enmp_*1_*1_*1_*1_*1_*1_*1_*1_*1_*1&trk=spm_pic" title="View your profile">

我的尝试是：

m = re.search('^.*\b(view|your|profile)\b.*$', newp, re.IGNORECASE)
print m.group(0)

所需的输出：

/profile/view?id=34232962&goback=%2Enmp_*1_*1_*1_*1_*1_*1_*1_*1_*1_*1 trk=spm_pic

Answer 1

正如你所发现的那样，正则表达式解析HTML非常糟糕。使用为工作构建的工具。在python的情况下，使用BeautifulSoup。

soup = BeautifulSoup(html_doc)
profile_a = soup.find(title="View your profile")
link = profile_a['href']
print link
>> /profile/view?id=34232962&goback=%2Enmp_*1_*1_*1_*1_*1_*1_*1_*1_*1_*1 trk=spm_pic

Answer 2

阿？你想抓取LinkedIn私人网页？ ;）

这样的事情应该有效：

m = re.search('href="(/profile/[^"]+)"', newp, re.IGNORECASE)

但是，像往常一样，不使用正则表达式来解析HTML 。

Answer 3

您需要知道* 贪婪，即它会尝试匹配最大字符数。所以在你的例子中（如果仅匹配href）：

'^.*\b(view|your|profile)\b.*$'

.../profile/view?id=34232962&goback=%2Enmp_*1_*1_*...
^---------^ matched by '.*'
           ^ \b
            ^--^ matched by 'view'
                ^ \b
                 ^------... - matched by .*

如果匹配完整字符串：

... title="View your profile">
^------------------^ - .*
                    ^ \b
                     ^-----^ - 'profile'
                            ^ \b
                             ^ - .*

另一个注意事项：^.*<regex>.*$实际上只与<regex>

相同

您可能想要的是：href="([^"]*)" - 这将匹配href="..."中的任何内容

python中的正则表达式，特殊情况

3 个答案: