Question

我正在使用Python的“re”模块，如下所示：

request = get("http://www.allmusic.com/album/warning-mw0000106792")
print re.findall('<hgroup>(.*?)</hgroup>', request)

我正在做的就是获取this site的HTML，并查找此特定代码段：

<hgroup>
    <h3 class="album-artist">
        <a href="http://www.allmusic.com/artist/green-day-mn0000154544">Green Day</a>        </h3>

    <h2 class="album-title">
        Warning        </h2>
</hgroup>

然而，它继续打印一个空数组。为什么是这样？为什么re.findall找不到这个片段？

Answer 1

您要解析的HTML有多行。您需要将re.DOTALL标记传递给findall，如下所示：

print re.findall('<hgroup>(.*?)</hgroup>', request, re.DOTALL)

这允许.匹配换行符，并返回正确的输出。

@jsalonen当然是正确的，用正则表达式解析HTML是一个棘手的问题。但是，在像这样的小案例中，特别是对于一次性剧本，我认为这是可以接受的。

Answer 2

re模块没有被破坏。您可能遇到的事实是，并非所有HTML都不能轻易与简单的正则表达式匹配。

相反，尝试使用实际的HTML解析器解析HTML，例如BeautifulSoup：

from BeautifulSoup import BeautifulSoup
from requests import get

request = get("http://www.allmusic.com/album/warning-mw0000106792")
soup = BeautifulSoup(request.content)
print soup.findAll('hgroup')

或者，使用pyquery：

from pyquery import PyQuery as pq

d = pq(url='http://www.allmusic.com/album/warning-mw0000106792')
print d('hgroup')

Python“重新”模块无法正常工作？

2 个答案: