Question

我正在使用python正则表达式进行一些正则表达式匹配。

pattern1 = re.compile('<a>(.*?)</a>[\s\S]*?<b>(.*?)</b>')
pattern2 = re.compile('<b>(.*?)</b>[\s\S]*?<a>(.*?)</a>')

items = re.findall(pattern1, line)
if items:
    print items[0]
else:
    items = re.findall(pattern2, line)
    if items:
        print items[0]

如您所见，标签a和b序列不固定（b之前或之后的罐头）我使用了两个模式（首先尝试模式1，然后尝试模式2）来查找标记a和标记b之间的文本，但它看起来很难看，但我不知道如何使用一个模式来获得与上面代码相同的结果。登记/> 谢谢！

Answer 1

请不要使用正则表达式来解析HTML。正则表达式不能处理HMTL ^（*）。 Python有不止一个很好的HTML解析器，使用其中一个。

以下示例使用pyquery，一个基于lxml的jQuery API实现。

from pyquery import PyQuery as pq

html_doc = """
<body>
  <a>A first</a><b>B second</b>
  <p>Other stuff here</p>
  <b>B first</b><a>A second</a>
</body>
"""

doc = pq(html_doc)

for item in doc("a + b, b + a").prev():
    print item.text

输出

A first
B first

说明：选择器a + b选择<b>之前的所有<a>。 .prev()移动到前一个元素，即<a>（您似乎对此感兴趣 - 但仅当<b>跟随它时）。 b + a对反向元素顺序执行相同的操作。

^（*）例如，正则表达式无法处理无限期嵌套的构造，当匹配顺序不可预测时它们有问题，并且它们无法处理HTML的语义含义（字符转义序列，可选和隐式封闭的元素，对输入的宽松解析不是非常严格有效的等等。当输入采用您没预料到的形式时，它们往往会默默地打破。而且，当被投掷到HMTL时，他们往往会变得如此复杂，以致任何人的头部受到伤害。不要花时间编写更复杂的正则表达式来解析HTML，这是一场失败的战斗。你可以最终得到的最佳状态是某种有效的东西，但仍然不如解析器。把时间花在学习解析器上。

Answer 2

将其更改为：

re.compile('(?:<b>|<a>)(.*?)(?:</a>|</b>)[\s\S]*?(?:<a>|<b>)(.*?)(?:</a>|</b>)')

请注意，这需要更多关注，因为它匹配<a>后跟</b>。如果你想阻止这种情况，只需抓住第一组（<a>或<b>）然后强制它，例如：

<\\\1>

这将匹配\后跟上一个捕获的标记，该标记为a或b。

我不建议使用正则表达式来解析HTML，而是使用解析器。

Answer 3

请改为使用HTML解析器（已建议Tomalak和Maroun Maroun）。为什么，托马拉克已经解释过了。

我只是为你的问题提供一个文字的解决方案：

要合并两种模式，只需使用|，例如：

pattern = re.compile('<a>(.*?)</a>[\s\S]*?<b>(.*?)</b>|<b>(.*?)</b>[\s\S]*?<a>(.*?)</a>')

但是现在您捕获了4个组，因此您必须手动检查匹配的组。

match = re.search(patternN, line)
if match.group(1, 2) != (None, None):
    print match.group(1, 2) 
else:
    print match.group(3, 4)

或者，更简单，使用命名组：

pattern = re.compile('<a>(?P<first>.*?)</a>[\s\S]*?<b>(.*?)</b>|<b>(.*?)</b>[\s\S]*?<a>(.*?)</a>')
match = re.search(pattern, line)

print match.group(1, 2) if match.group('first') else match.group(3, 4)

如何在正则表达式中将两个模式匹配为一个

3 个答案: