Question

我正在尝试检索包含“名称”字段的所有标记，然后将整个句子加上名称。这是我的测试代码：

sourceCode = '<dirtfields name="one" value="stuff">\n<gibberish name="two"\nwewt>'
namesGroup = re.findall('<.*name="(.*?)".*>', sourceCode, re.IGNORECASE | re.DOTALL)

for name in namesGroup:
    print name

哪个输出是：

two

我想要寻找的输出是

['<dirtfields name="one" value="stuff">', 'one']
['<gibberish name="two"\nwewt>', 'two']

编辑：找到了一种方法，感谢doublesharp获得“名称”值的更简洁方法。

namesGroup = re.findall(r'(<.*?name="([^"]*)".*?>)', sourceCode, re.IGNORECASE | re.DOTALL)

将输出：

('<dirtfields name="one" value="stuff">', 'one')
('<gibberish name="two"\nwewt>', 'two')

Answer 1

你的正则表达式有点偏 - 你匹配太多（一直到最后>）。由于您只需要在name=之后使用双引号之间的值，使用以下模式：

name="([^"]*)"

name="匹配您要查找的属性的第一部分
([^"]*)根据不双引号
"匹配name属性值后的双引号。

您的代码看起来像这样（在您的模式之前包含r是一种很好的形式）：

namesGroup = re.findall(r'name="([^"]*)"', sourceCode, re.IGNORECASE)

Answer 2

显然，您正在处理HTML或XML文件并查找特定属性的某些值。

如果你继续使用正则表达式而不是合法的文本解析器，你会犯一个方向错误。

与我最喜欢的BeautifulSoup4一样，这是一个如何使用它的简短示例：

from bs4 import BeautifulSoup

sourceCode = '<dirtfields name="one" value="stuff">\n<gibberish name="two"\nwewt>'

soup = BeautifulSoup(sourceCode)
print soup.prettify()
print '------------------------'
for tag in soup.find_all():
    if tag.has_key('name'):
        print tag, tag['name']

输出看起来有点难看（输出甚至是错误的），但是这表明beautifulsoup会自动修复你的破坏的html并轻松找到你想要的属性。

<html>
 <body>
  <dirtfields name="one" value="stuff">
   <gibberish name="two" wewt="">
   </gibberish>
  </dirtfields>
 </body>
</html>
------------------------
<dirtfields name="one" value="stuff">
<gibberish name="two" wewt=""></gibberish></dirtfields> one
<gibberish name="two" wewt=""></gibberish> two

将Beautifulsoup添加到您最喜爱的Stackoverflow标签中，您会惊讶地发现它有多好，以及有多少人使用更强大的工具与您做同样的事情！

Answer 3

(?<=name=")[^"]*

如果您只想匹配没有捕获组的名称，可以使用：

re.findall(r'(?<=name=")[^"]*', sourceCode, re.IGNORECASE )

输出： ['one', 'two']

当然，捕获组是同样可接受的解决方案。

Answer 4

这是一种允许在值内部使用转义引号并避免（出于性能原因）延迟量词的模式。这就是为什么它有点长但更防水的原因：

myreg = re.compile(r"""
    < (?: [^n>]+ | \Bn | n(?!ame\s*=) )+   # begining of the tag 
                                           # until the name attribute
    name \s* = \s* ["']?                   # attribute until the value
    ( (?: [^\s\\"']+ | \\{2} | \\. )* )    # value
    [^>]*>                                 # end of the tag
""", re.X | re.I | re.S)

namesGroup = myreg.findall(sourceCode)

然而，使用BS4是一个很好的解决方案。

Python re.findall

4 个答案: