python正则表达式只检索一个组

Question

我对正则表达式有一点经验，现在我有一点问题。

我必须检索。

之间的字符串

所以这是一个示例：

Categories: <a href="/car/2/page1.html">2</a>, <a href="/car/nissan/">nissan</a>,<a href="/car/all/page1.html">all</a>

这是我的小正则表达式：

re.findall("""<a href=".*">.*</a>""",string)

嗯，它有效，但我只想要的是字符串，而不是href， 那怎么能这样做呢？

感谢。

Answer 1

使用括号构成捕获组：

'<a href=".*">(.*)</a>'

您可能还想使用non-greedy量词来避免匹配远远超过您的预期。

'<a href=".*?">(.*?)</a>'

结果：

['2', 'nissan', 'all']

甚至更好，请考虑使用HTML解析器，例如BeautifulSoup。

Answer 2

正则表达式从来不是解析HTML的好主意。有太多边缘情况使得制作强大的正则表达式变得困难。请考虑以下完美的浏览器可查看链接：

< a href="/car/all/page1.html">all</a>
<a  href="/car/all/page1.html">all</a>
<a href= "/car/all/page1.html">all</a>
<a id="foo" href="/car/all/page1.html">all</a>
<a
 href="/car/all/page1.html">all</a>

所有这些都不会与给定的正则表达式匹配。我强烈推荐使用HTML解析器，例如Beautiful Soup或lxml。这是一个lxml示例：

from lxml import etree

html = """
Categories: <a href="/car/2/page1.html">2</a>, <a href="/car/nissan/">nissan</a>,<a href="/car/all/page1.html">all</a>
"""
doc = etree.HTML(html)
result = doc.xpath('//a[@href]/text()')

结果：

['2', 'nissan', 'all']

无论HTML是否有所不同甚至有些不正确。