正则表达式中的美丽汤get_text（）输出

Question

我正在尝试从网页中提取一些信息。我使用Beautiful Soup的get_text方法来获取文本，但是当我尝试通过正则表达式传递该文本时，没有返回任何内容。

import urllib2
from bs4 import BeautifulSoup
import re

url = "http://www.somesite.com"
page = BeautifulSoup(urllib2.urlopen(url))
info = {}
info['description'] = page.get_text()
print info['description'] #this works fine
print re.match(r'.',info['description'],re.UNICODE).group()

返回无。

Answer 1

好的，这可能是正在发生的事情（但是我还没有检查过这是否真的如此，因为我的机器上没有Python 2而且无法在Python 3中重现这一点）。如果您查看re.match的文档，您会发现它显示为：

  

re.match（模式，字符串，标志= 0 ）

     

如果 string 开头的零个或多个字符与正则表达式 pattern 匹配，则返回相应的MatchObject实例。如果字符串与模式不匹配，则返回None;请注意，这与零长度匹配不同。

重点：re.match仅匹配字符串的开头。

接下来，点字符.：

  

'.'

     

（点。）在默认模式下，它匹配除换行符之外的任何字符。如果指定了DOTALL标志，则匹配任何字符，包括换行符。

因此，.与换行符不匹配。问题在于 - 如果info['description']以换行符开头，则不会得到匹配。

您应该使用re.search或将re.DOTALL标记传递给re.match。