Question

我有一个类似下面的变量：

var = '<img src="path_1"><p>Words</p><img src="path_2>'

它是一个字符串，但里面显然是html元素。如何使用正则表达式获取第一条路径（即path_1）？

我正在尝试这样的事情：

match = re.match(r'src=\"[\w-]+\"', var)
print match.group(0)

我收到此错误：

Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
AttributeError: 'NoneType' object has no attribute 'group'

感谢任何帮助。

Answer 1

您should use an HTML parser喜欢BeautifulSoup：

>>> from bs4 import BeautifulSoup
>>> var = '<img src="path_1"><p>Words</p><img src="path_2>'
>>> soup = BeautifulSoup(var, "html.parser")
>>> soup.img["src"]
'path_1'

对于正则表达式方法，您需要进行以下更改才能使其正常工作：

切换到re.search()，re.match()从字符串的开头
添加 capturing group 以捕获src值
无需转义双引号

修正版：

>>> re.search(r'src="([\w-]+)"', var).group(1)
'path_1'

Answer 2

根据评论中的建议，使用search()，因为match()会尝试匹配字符串开头的正则表达式。您还可以使用捕获命名组来使代码更具可读性：

var = '<img src="path_1"><p>Words</p><img src="path_2>'
import re
match = re.search(r'src=\"(?P<path1>[\w-]+)\"', var)
if match:
    print(match.group('path1'))

输出：

path_1

Answer 3

尝试，

path1= re.search(r'<img\s+src="(.*?)"><p>',var).group(1) # path_1

BeutifulSoup很方便。但非常慢。
HTMLParser要快得多。但使用它很痛苦。
re是最快的选项，在我看来，对于无状态用户来说，它是值得的。

如果目标文本是有状态的，那么很多嵌套和捕获语义很重要，而不是实现状态机，例如解析器使用可用的解析器。我强烈建议使用 lxml 来解析HTML和XML。它比bs4稍微方便，但速度与re相当。

使用python正则表达式查找图像路径

3 个答案: