Question

需要使用re模块在Python中的href属性标记之间拉取字符串。

我尝试了很多模式，例如：

patFinderLink = re.compile('\>"(CVE.*)"\<\/a>')

示例：我需要从以下标签中提取标签之间的内容（在本例中为“ CVE-2010-3718 ”）：

<pre>
<a href="https://www.redhat.com/security/data/cve/CVE-2010-3718.html">CVE-2010-3718</a>
</pre>

我在这里做错了什么？任何意见是极大的赞赏。提前谢谢。

孙

Answer 1

你需要使用正则表达式吗？我不认为你这样做，你不能用正则表达式解析SGML，因为SGML本身不是常规的，请参阅这个着名的stackoverflow答案的原因：https://stackoverflow.com/a/1732454/88123

总之。您应该使用lxml Python模块及其xpath实现。 xpath支持使用以。开头的文本进行选择。

在这种情况下，XPath将是//h1/text()。

或者，使用BeautifulSoup Python模块。

Answer 2

不要尝试使用正则表达式来解析HTML或XML。使用lxml等解析器。

import lxml.html as lh

tree = lh.fromstring(html)

print tree.xpath("//pre/a[starts-with(., 'CVE')]/text()")

<强>结果：

['CVE-2010-3718']

Answer 3

使用

re.compile('">(CVE.*?)</a>') 

# instead of your re.compile('\>"(CVE.*)"\<\/a>')

注意字符＆lt; ＆GT; /不需要以正则表达式转义

请注意?之后的.*字符会停止量词*的贪婪行为，以便在第一个</a>被激活时匹配停止。在这一点上看到文档，它是基础

使用re分析XML | GML文本时，有时会出现问题有一次，我被告知一个可能的问题是标签可以写在几行上，例如：

ss = '''
<pre>
    <a href="https://www.redhat.com/security/data/cve/CVE-2010-3718.html">CVE-20
    10-371
    8</a>
</pre>'''

在这种情况下，不会有任何匹配，因为在正则表达式模式中用作符号的点不会表示换行符'\ n'。因此模式的.*?部分不允许从一行到另一行运行。

要解决此问题，请使用{dot}符号的re.DOTALL规范来表示任何和所有字符。

请注意，常见的信念是重新工具不得用于解析SGML或XML文本。但很少有人能够彻底解释原因。而我就是其中一个不知道原因的人。

但就个人而言，我认为正则表达式可以用来分析文本。我写'分析'不是'PARSE'。

据我所知，解析是分析文本并根据标记构建树的表示的过程。
虽然我将文本分析为...分析它而不是为了获得树形表示当不需要树形表示来从文本中提取数据时，使用正则表达式，并且不要听那些对该主题有宗教考虑的人，比如在有趣但欺骗（在我看来）的帖子中已经给出了链接< / p>

Answer 4

如果您仍然希望使用正则表达式来进行HTML解析（虽然不推荐使用它，但我不知道为什么）尝试这个：

a = re.compile('<a href=".*">(.*)</a>')
result = a.match(string).group(0)

结果将包含CVE-2010-3718

Answer 5

我很惊讶没有人建议使用BeautifulSoup：

这是我将如何做到的：

from BeautifulSoup import BeautifulSoup
import re

hello = """
<pre>
<a href="https://www.redhat.com/security/data/cve/CVE-2010-3718.html">CVE-2010-3718</a>
<a href="https://www.redhat.com/security/data/cve/CVE-2010-3710.html">CVE-2010-3718</a>
<a href="https://www.redhat.com/security/data/cve/CVE-2010-3700.html">CVE-2010-3718</a>
</pre>
"""

target = re.compile("CVE-\d+-\d+.html")
commentSoup = BeautifulSoup(hello)
atags = commentSoup.findAll(href=target)
for a in atags:
    match = re.findall(target, a['href'])[0]
    print match

结果：

CVE-2010-3718.html
CVE-2010-3710.html
CVE-2010-3700.html

Answer 6

正如其他人已经建议的那样，正则表达式通常不是HTML解析的好工具。

但是如果你想使用regexp，这是我如何在<a> </a>标签之间提取所有URL和内容元组的示例：

import re

#example html string with various hits
html_string = """
    <pre>
    <a href="https://www.redhat.com/security/data/cve/CVE-2010-3718.html">CVE-2010-3718</a>
    <a href="https://www.redhat.com/security/data/cve/CVE-2010-3710.html">CVE-2010-3710</a>
    <a href="https://www.redhat.com/security/data/cve/CVE-2010-3700.html">CVE-2010-3700</a>
    </pre>
"""

#regular expression:
pattern = re.compile('<a href=([^>]*)>([^<]*)</a>')

#find all matches in our html string:
tuples = pattern.findall(html_string)

for tuple in tuples:
    print "%s —> %s" % (tuple[1], tuple[0])

正如其他人提到的，lxml将是一个更合适的工具。

如果您打算这样做，我建议您按照@Acorn回复。

新手Python / Regex：在<a> tags using regex</a>之间拉字符串

6 个答案: