Question

好吧，这个有点痛。我正在用Python进行一些搜索，尝试从几行标记不好的HTML中获取地址。以下是格式示例：

256-555-5555<br/>
1234 Fake Ave S<br/>
Gotham (Lower Ward)<br/>

我只想检索1234 Fake Ave S, Gotham。有任何想法吗？我整晚都在做正则表达式，现在我的脑子已经糊涂了......

编辑：有关数据如何到达的可能方案的更多细节。有时第一行会在那里，有时候不会。我见过的所有地址都有Ave，Way，St，虽然我不愿意将它作为选择中的一个因素，因为我不确定它们总是那样。第二行和第三行是alPhone（或可能的电子邮件或网站）：

我想到的是

选择第二行到最后一行的所有内容（如果有三行，则为第二行，如果没有电话号码，则为第一行，如果只有两行）。
选择最后一行中不在括号中的所有内容。
将第2行与最后一行和最后一行合并，在两者之间添加“，”。

我正在使用Scrapy来获取HTML代码。地址都在同一个div中，我想使用正则表达式进一步将数据分解成适当的部分。现在该怎么做才是我无法弄清楚的。

EDIT2：

根据Ofir的评论，我应该提一下，我已经表达了隔离电话号码和括号部分。

电话（或可能的电子邮件或网站）：

((1[-. ])?[0-9]{3}[-. ])?\(?([0-9]{3}[-. ][A?([0-9]{4})|([\w\.-]+@[\w\.-]+)|(www.+)|([\w\.-]*(?:com|net|org|us))

括号：

\((.*?)\)

我不确定如何使用它们来构建一切 - 但是 - 这些声明。

Answer 1

在您的情况下，您可能更容易专注于您不想要的内容：

html代码（<br>）
电话号码
括号中的所有内容

每个都可以通过简单的正则表达式轻松匹配，从而可以轻松构建一个匹配其余的（可能是地址）

Answer 2

这会尝试将最后两行与字符串隔离开来：

>>> s="""256-555-5555<br/>
... 1234 Fake Ave S<br/>
... Gotham (Lower Ward)<br/>
... """
>>> m = re.search(r'((?!</br>).*)<br/>\n((?!</br>).*)<br/>$)', s)
>>> print m.group(1)
1234 Fake Ave S

修剪括号可能最好留给单独的代码行，而不是进一步使正则表达式复杂化。

Answer 3

据我了解你的问题，我认为你采取的是错误的解决方法。

正则表达式不是一种神奇的工具，可以从纸浆中提取相关数据，并混淆无差别的文本元素。它是一种工具，它只能从具有可变部分的文本中提取数据，但也可以作为相对于可变部分可以定位的锚点的最小稳定结构。

在您的治疗中，在我看来，您首先将此部分包含可能的电话号码，然后是1/2行的地址。但是这样做，你丢失了信息：之前和之后的内容是锚定信息，你不应该在删除这些信息后尝试在剩下的部分找到一些东西。

此外，我认为您不希望只捕获电话号码和地址：您可能想要提取本节前后的其他信息。凭借良好的塑造正则表达式，您可以一次性捕获所有碎片。

所以，请提供更多的文本，前面有足够的字符，并且在限制部分之后有足够的字符，允许编写正确且更容易的正则表达式策略来捕获所需的所有数据。三联已经问你了，你没有，为什么？

使用正则表达式从段落中获取地址

3 个答案: