Python - Regex - Làm thế nào để tìm một chuỗi giữa hai bộ chuỗi

Question

xem xét như sau:

<div id=hotlinklist> 
    <a href="foo1.com">Foo1</a> 
    <div id=hotlink> 
    <a href="/">Home</a> 
    </div> 
    <div id=hotlink> 
    <a href="/extract">Extract</a> 
    </div> 
    <div id=hotlink> 
    <a href="/sitemap">Sitemap</a> 
    </div> 
</div> 

Làm thế nào bạn sẽ đi về lấy ra dòng sitemap với regex trong python?

<a href="/sitemap">Sitemap</a> 

Sau đây có thể được sử dụng để kéo các thẻ neo.

'/<a(.*?)a>/i' 

Tuy nhiên, có nhiều thẻ liên kết. Ngoài ra còn có nhiều hotlink (s) vì vậy chúng tôi không thể thực sự sử dụng chúng?

Answer 1

Không sử dụng regex. Sử dụng BeautfulSoup, một trình phân tích cú pháp HTML.

from BeautifulSoup import BeautifulSoup 

html = \ 
""" 
<div id=hotlinklist> 
    <a href="foo1.com">Foo1</a> 
    <div id=hotlink> 
    <a href="/">Home</a> 
    </div> 
    <div id=hotlink> 
    <a href="/extract">Extract</a> 
    </div> 
    <div id=hotlink> 
    <a href="/sitemap">Sitemap</a> 
    </div> 
</div>""" 

soup = BeautifulSoup(html) 
soup.findAll("div",id="hotlink")[2].a 

# <a href="/sitemap">Sitemap</a> 

Answer 2

Phân tích HTML bằng biểu thức chính quy là một ý tưởng tồi!

Nghĩ về những mảnh sau html

Có rất nhiều ví dụ khác như vậy. Cụm từ thông dụng phù hợp với nhiều thứ, nhưng không phải để phân tích cú pháp HTML.

Bạn nên xem xét sử dụng trình phân tích cú pháp HTML python.

Nhưng dù sao, một giải pháp ad-hoc sử dụng regex là

import re 

data = """ 
<div id=hotlinklist> 
    <a href="foo1.com">Foo1</a> 
    <div id=hotlink> 
    <a href="/">Home</a> 
    </div> 
    <div id=hotlink> 
    <a href="/extract">Extract</a> 
    </div> 
    <div id=hotlink> 
    <a href="/sitemap">Sitemap</a> 
    </div> 
</div> 
""" 

e = re.compile('<a *[^>]*>.*</a *>') 

print e.findall(data) 

Output:

>>> e.findall(data) 
['<a href="foo1.com">Foo1</a>', '<a href="/">Home</a>', '<a href="/extract">Extract</a>', '<a href="/sitemap">Sitemap</a>'] 

Answer 3

Sử dụng BeautifulSoup hoặc lxml nếu bạn cần phải phân tích cú pháp HTML.

Ngoài ra, bạn thực sự cần phải làm gì? Tìm liên kết cuối cùng? Tìm liên kết thứ ba? Tìm liên kết trỏ tới/sơ đồ trang web? Nó không rõ ràng từ bạn câu hỏi. Bạn cần gì để làm với dữ liệu?

Nếu bạn thực sự phải sử dụng cụm từ thông dụng, hãy xem findall.

Answer 4

Để trích xuất nội dung của khẩu hiệu:

<a href="/sitemap">Sitemap</a> 

... Tôi sẽ sử dụng:

>>> import re 
    >>> s = ''' 
    <div id=hotlinklist> 
    <a href="foo1.com">Foo1</a> 
     <div id=hotlink> 
     <a href="/">Home</a> 
     </div> 
     <div id=hotlink> 
     <a href="/extract">Extract</a> 
     </div> 
     <div id=hotlink> 
     <a href="/sitemap">Sitemap</a> 
     </div> 
    </div>''' 
    >>> m = re.compile(r'<a href="/sitemap">(.*?)</a>').search(s) 
    >>> m.group(1) 
    'Sitemap'