我如何确保始终从Python的正则表达式中获取匹配列表？

Question

我试图从jsp页面（格式错误的xml）中提取一些信息（不需要递归），类似于：

<td>
<html:button ...></html:button>
<html:submit ...></html:submit></td>

正则表达式：

<html:(button|submit|cancel)[\s\S]*?</html:(button|submit|cancel)>

re.findall（）给我一个元组列表，如下：

[('button','button'),('button','button')]

我从文档中理解的是正确的，但我希望得到更多类似的内容：

["<html:button ...>","<html:button ...>"]

获得预期结果的恰当方法是什么？

Answer 1

除了正则表达式可能不是您想要执行此操作的事实之外，您还希望使用括号将所需的位放入组中。如果您希望所有内容都达到结束</html:whatever>标记，那么您需要这样的内容：

(<html:(button|submit|cancel)[\s\S]*?)</html:(button|submit|cancel)>

如果您只想要<html:button>位，请使用：

(<html:(button|submit|cancel)>)[\s\S]*?</html:(button|submit|cancel)>

e.g。

这

<html:button>foobar</html:submit>

你得到：

('<html:button>', 'button', 'submit')

如果您想从上面获取foobar，请使用：

(<html:(button|submit|cancel)>)([\s\S]*?)</html:(button|submit|cancel)>

得到：

('<html:button>', 'button', 'foobar', 'submit')

请注意，通常不能匹配开始和结束标记（请注意，<html:button>已打开，</html:submit>在上面的示例中已关闭）。如果您需要这样做，请使用正确的解析器。

Answer 2

您的(button|submit|cancel)被捕获，因此请在?:

等括号中添加(?:

>>> re.findall('<html:(?:button|submit|cancel)[\s\S]*?</html:(?:button|submit|cancel)>',TheHTMLWhichShouldntParseWithRegex)
['<html:button ...></html:button>', '<html:submit ...></html:submit>']