Question

title = str(Soup.find('td', {'id': 'bxgy_x_img'}))
title_re = re.compile('alt="(.*)"')
title_pat = re.findall(title_re, title)

出于某种原因，这不只是抓住Title，我如何让它抓住Title？

正在运行的HTML如下：

<td id="bxgy_x_img">
  <alt="Title" id="bxgy_img_a" height="75" border="0" />
</td>

Answer 1

问题在于*是贪婪的，这意味着它会在border="0"之后一直匹配'''。尝试使用[A-Za-z0-9]+将模式限制为字母和数字

Answer 2

我认为你真正想要的更像是：

title_re = re.compile('alt="([^"]*)"')

其中[^"]表示“除双引号字符外的任何内容”。它并不严格符合HTML有效字符，我不认为（具体是新行），但它应该适用于您的目的。此外，您还需要解析HTML实体 - 例如" - 如果您想捕获实际预期值。

Answer 3

试试这个：

title_re = re.compile('alt="(?P<title>[A-z]*)"')

Answer 4

HTML似乎已被破坏。当BeautifulSoup解析content时，它只会将<alt="Title" id="bxgy_img_a" height="75" border="0" />解释为空<alt></alt>标记：

import BeautifulSoup

content = '''\
<td id="bxgy_x_img">

<alt="Title" id="bxgy_img_a" height="75" border="0" />

</td>
'''

soup = BeautifulSoup.BeautifulSoup(content)
title = str(soup.find('td', {'id': 'bxgy_x_img'}))
print(title)

# <td id="bxgy_x_img">
# <alt>
# </alt></td>

python正则表达式在引号之间提取

4 个答案: