Question

我有以下字符串：

s = '''
    <a class="biz-name"><span>Gus’s World Famous Fried Chicken</span></a>
    <a class="biz-name"><span>South City Kitchen - Midtown</span></a>
'''

我正在尝试匹配<span> s

之间的两个群组

使用以下

regex = re.compile('<a class="biz-name[\w\W]*<span>(.*)</span>')
regex.findall(s)

预期：

['Gus’s World Famous Fried Chicken', 'South City Kitchen - Midtown']

实际

['South City Kitchen - Midtown']

为什么只匹配最后一次？

Answer 1

You shouldn't parse xml with regex。也就是说，正则表达式的贪婪让你，[\w\W]*几乎匹配任何东西，所以它吃掉了第一个表达式。

添加非贪婪的?令牌（[\w\W]*?）可以解决这个问题。并且在组中添加一个并没有伤害。我已将[\w\W]*?替换为.*?，因为它更简单，更等效。

regex = re.compile('<a class="biz-name.*?<span>(.*?)</span>')

在regex101上查看。

Answer 2

正则表达式通常不是刮取HTML的最佳方法。例如，另一种方法是使用BeautifulSoup：

from bs4 import BeautifulSoup
s = '''
<a class="biz-name"><span>Gus’s World Famous Fried Chicken</span></a>
<a class="biz-name"><span>South City Kitchen - Midtown</span></a>
'''
s = BeautifulSoup(s, 'lxml')
results = [i.text for i in s.find_all('span')]

输出：

[u'Gus’s World Famous Fried Chicken', u'South City Kitchen - Midtown']

然而，一个简单的正则表达式解决方案：

import re
s = '''
 <a class="biz-name"><span>Gus’s World Famous Fried Chicken</span></a>
 <a class="biz-name"><span>South City Kitchen - Midtown</span></a>
'''
final_results = re.findall('<span>(.*?)</span>', s)

输出：

['Gus’s World Famous Fried Chicken', 'South City Kitchen - Midtown']

为什么只匹配最后一次？

2 个答案: