Question

我正在使用Regex来解析HTML（如果您正在阅读并执行此操作，我建议您改为使用HTMLParser）。

我的网页看起来像这样：

<div>&#1506;&#1489;&#1512; / Avr</div>
<div>&#1506;&#1489;/&#1512; / Av/r</div>

如何在＆＃34;之前选择部件？ /＆＃34; （空间，斜线，空间）和之后的＃34; /＆＃34;？换句话说，我怎样才能选择字符串直到＆＃34; /＆＃34;？

我希望它会返回一个如下所示的列表：

[("&#1506;&#1489;&#1512;", "Avr"),("&#1506;&#1489;/&#1512;", "Av/r")]

我知道我可以使用：

regex = re.compile('<div>(.+?)</div>').findall(resp)
resp = resp.split(' / ')

但我希望它可以使用正则表达式完成。

Answer 1

你可以尝试下面的python代码。

>>> import re
>>> s = """<div>&#1506;&#1489;&#1512; / Avr</div>
... <div>&#1506;&#1489;/&#1512; / Av/r</div>"""
>>> m = re.findall(r'^<div>(.*?) \/ ([^<]+)(?=<\/div>)', s, re.M)
>>> m
[('&#1506;&#1489;&#1512;', 'Avr'), ('&#1506;&#1489;/&#1512;', 'Av/r')]

Answer 2

您可以使用非捕获组通过单个正则表达式获取所需的部分。

变化：

regex = re.compile('<div>(.+?)</div>').findall(resp)

为：

matches = re.compile('<div>(.+?)(?: / ).*?</div>').findall(resp)
print matches # ['&#1506;&#1489;&#1512;']

Answer 3

尝试美味的汤，Jsoup或削皮器来减少这一点，但一旦你达到这个可能仍然有问题。

负面展望并展望未来将会成功。你只需要转义“/”，因为它是一个保留字符。

 re.search(".*?\/",html)

前瞻是（？＆lt; = .....）

有关前瞻和后方的更多信息，请访问http://www.regular-expressions.info/lookaround.html。

另外，Beautiful Soup有一个方法.prettify（）和apache StringEscapeUtils可以转义XML和HTML，以便在Jsoup中更好地解析。 Python也可以用unicode编码evrything。如果您在那里遇到问题，还可以选择删除标签和编码。

正则表达式 - 选择字符串直到'/'

3 个答案: