python正则表达式匹配0或1次重​​复

Question

我希望将html中的html标题<h1> - <h6>与python正则表达式匹配。有些标题包含'id'属性，我想把它放到一个组中。

通过尝试以下表达式，我得到一个具有id属性的表达式。

>>>re.findall(r'<h[1-6].*?(id=\".*?\").*?</h[1-6].*?>','<h1>Header1</h1><h2 id="header2">header2</h2>')
['id="header2"']

问号使RE匹配前面RE的0或1次重​​复。如果我在右括号后面加上？，它将返回两个空字符串。

>>>re.findall(r'<h[1-6].*?(id=\".*?\")?.*?</h[1-6].*?>','<h1>Header1</h1><h2 id="header2">header2</h2>')
['', '']

如何使用一个正则表达式获得以下结果？

['', 'id="header2"']

Answer 1

您使用的是错误的工具。不要使用正则表达式来解析HTML。改为使用HTML解析器。

BeautifulSoup library使您的任务变得微不足道：

from bs4 import BeautifulSoup

soup = BeautifulSoup(htmlsource)

headers = soup.find_all(['h1', 'h2', 'h3', 'h4', 'h5', 'h6'])
print [h.attrs.get('id', '') for h in headers]

演示：

>>> from bs4 import BeautifulSoup
>>> htmlsource = '<h1>Header1</h1><h2 id="header2">header2</h2>'
>>> soup = BeautifulSoup(htmlsource)
>>> headers = soup.find_all(['h1', 'h2', 'h3', 'h4', 'h5', 'h6'])
>>> [h.attrs.get('id', '') for h in headers]
['', 'header2']

Answer 2

'。'与空格不匹配，因此您需要明确包含它们。 一种可能性是：

>>> re.findall(r'<h[1-6].*?( +id=\".*?\" ?)?.*?</h[1-6].*?>','<h1>Header1</h1><h2 id="header2">header2</h2>')
['', ' id="header2"']