Question

我知道RegEx不是刮取HTML的最好方法，但这就是它...... 我有类似的东西：

<td> Writing: <a href="creator.php?c=CCh">Carlo Chendi</a>  Art: <a href="creator.php?c=LBo">Luciano Bottaro</a> </td>

我需要匹配写作和艺术部分。但并不是说他们在那里，而且可能还有墨水和铅笔等其他部分......

我该怎么做？我需要使用纯RegEx，没有额外的Python库。

Answer 1

也许有两种模式可以识别。

您的关键字位于＆lt; td＆gt; ...＆lt; / td＆gt;
您的关键字后跟＆lt; a＆gt; ...＆lt; / a＆gt;节

所以..首先提取＆lt; td＆gt; s中的所有内容......（伪代码）

while ( match( "<td[^>]*>(.*?)</td[^>]*>" ) ) {
    inner = match[1];
    ...
}

(.*?)表示非贪婪匹配，即匹配最小可能值。否则，您会匹配从第一个<td>到最后一个 </td>（而不是下一个</td>）的所有内容。

然后您可以继续处理inner部分！

Answer 2

regex = re.compile("(\w+):")
regex.findall(yourString); // returns an array of matching elements

您可以对其进行测试here

PS：我强烈建议您通过this

Answer 3

我最终创造了这个：

(Art:|Pencils:|Ink:|Writing:){0,4}.<a href="creator\.php\?c=[^">]*?\"\>(?P<Name>.*?)\</a\>

看起来它正在工作......也许它可以打磨一下。我知道你是首发。

Answer 4

您可以使用？匹配正则表达式中的可选内容？在可选部分之后。？将匹配0或1次出现的子表达式。

Answer 5

尽管我之前的回答，我改变了主意，并希望没有选择/替代，但得到所有。因此，这意味着TD标签内的任何内容都必须被捕获并正确分类。我需要创建一个可选的捕获组，这样无论布局如何，我仍然可以检索内容。它应该适用于此，即：

<td>   Art: <a href="creator.php?c=GPe">Giuseppe Perego</a> </td>
<td> Writing: <a href="creator.php?c=CCh">Carlo Chendi</a>  Art: <a href="creator.php?c=LBo">Luciano Bottaro</a> </td>
<td>  Pencils: <a href="creator.php?c=JB">Jack Bradbury</a> Ink: <a href="creator.php?c=SSt">Steve Steere</a> </td>
<td>  Pencils: <a href="creator.php?c=JB">Jack Bradbury</a> Ink: <a href="creator.php?c=SSt">Steve Steere</a> </td>
<td> Writing: <a href="creator.php?c=DKi">Dick Kinney</a> Pencils: <a href="creator.php?c=TS">Tony Strobl</a> Ink: <a href="creator.php?c=SSt">Steve Steere</a> </td>
<td>  Pencils: <a href="creator.php?c=JB">Jack Bradbury</a> Ink: <a href="creator.php?c=SSt">Steve Steere</a> </td>
<td> Writing: <a href="creator.php?c=BKa">Bob Karp</a> Pencils: <a href="creator.php?c=AT">Al Taliaferro</a> Ink: <a href="creator.php?c=AH">Al Hubbard</a> </td>    
<td> Writing: <a href="creator.php?c=DKi">Dick Kinney</a> Pencils: <a href="creator.php?c=TS">Tony Strobl</a> Ink: <a href="creator.php?c=SSt">Steve Steere</a> </td>
<td> Writing: <a href="creator.php?c=VLo">Vic Lockman</a>  Art: <a href="creator.php?c=KWr">Kay Wright</a> </td>
<td> Writing: <a href="creator.php?c=MGa">Michele Gazzarri</a>  Art: <a href="creator.php?c=GPe">Giuseppe Perego</a> </td>

我创建了：

<td>\ {1,3}(?:(?:Writing: <a href="creator\.php\?c=[^>"]*?">(.*?)?</a>).*?)?(?:(?:Pencils: <a href="creator\.php\?c=[^>"]*?">(.*?)?</a>\ ))?(?:(?:Ink: <a href="creator\.php\?c=[^>"]*?">(.*?)?</a>))?(?:(?:Art: <a href="creator\.php\?c=[^>"]*?">(.*?)?</a>))?\ {1,3}</td>

它看起来好像有效！

我真的很感谢有人检查并验证我的努力。

RegEx - 匹配可选组

5 个答案: