Python - - Regex Nasıl aşağıdaki

Question

düşünün dizeleri iki takım arasında bir dize bulmak için:

Eğer piton yılında regex ile site haritası çizgisini çıkarmayı gider nasıl

<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> 

?

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

Aşağıdakiler bağlantı etiketlerini çıkarmak için kullanılabilir. Ancak, birden çok bağlantı etiketi vardır. Ayrıca birden fazla hotlink (ler) var, bu yüzden onları gerçekten kullanamıyoruz?

Answer 1

Bir düzenli ifadeyi kullanmayın. Bir HTML ayrıştırıcısı olan BeautfulSoup kullanın.

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

HTML'yi normal ifade ile ayrıştırma kötü bir fikirdir!

daha pekçok örnek var html

aşağıdaki parça hakkında düşünün. Düzenli ifadeler birçok şey için iyidir, ancak HTML'yi ayrıştırmak için uygun değildir.

Beautiful Soup python HTML ayrıştırıcısını kullanmayı düşünmelisiniz. HTML ayrıştırmak gerekiyorsa

>>> 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

kullanın BeautifulSoup veya lxml:

neyse, regex kullanarak bir ad-hoc çözüm

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) 

Çıktı olduğunu.

Ayrıca, gerçekten yapmanız gereken nedir? Son bağlantıyı buldunuz mu? Üçüncü bağlantıyı buldunuz mu?/Sitemap'a işaret eden bağlantıyı bulun? Senin sorunundan belli değil. Verilerle do yapabilmeniz için neye ihtiyacınız var?

Gerçekten normal ifadeler kullanmanız gerekiyorsa, findall'a bakın. sloganlı içeriğini ayıklamak için

Answer 4

:

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

... Ben kullanırsınız: Muhtemelen bunu düzenli ifadeler uygun değildir duyar

>>> 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'