如何确保 re.findall() 停在正确的位置？

Posted 2023-02-23

【中文标题】如何确保 re.findall() 停在正确的位置？

【英文标题】：How do I ensure that re.findall() stops at the right place?

【发布时间】：2013-07-19 21:40:13

【问题描述】：

这是我的代码：

a='<title>aaa</title><title>aaa2</title><title>aaa3</title>'
import re
re.findall(r'<(title)>(.*)<(/title)>', a)

结果是：

[('title', 'aaa</title><title>aaa2</title><title>aaa3', '/title')]

如果我曾经设计过一个爬虫来获取网站的标题，我最终可能会得到类似这样的东西，而不是网站的标题。

我的问题是，如何将findall 限制为单个<title></title>？

【问题讨论】：

你可以使用 BeautifulSoup 代替 Regex 来解析 html

***.com/a/1732454/193892

【参考方案1】：

re.findall(r'<(title)>(.*?)<(/title)>', a)

在*之后添加?，这样就不会贪心了。

【参考方案2】：

如果您只想要一个匹配项，请使用 re.search 而不是 re.findall：

>>> s = '<title>aaa</title><title>aaa2</title><title>aaa3</title>'
>>> import re
>>> re.search('<title>(.*?)</title>', s).group(1)
'aaa'

如果您想要所有标签，那么您应该考虑将其更改为非贪婪（即 - .*?）：

print re.findall(r'<title>(.*?)</title>', s)
# ['aaa', 'aaa2', 'aaa3']     

但真的可以考虑使用 BeautifulSoup 或 lxml 或类似的东西来解析 HTML。

【讨论】：

确实，使用正则表达式解析 HTML 或 XML 通常是个坏主意。

【参考方案3】：

改用非贪婪搜索：

r'<(title)>(.*?)<(/title)>'

问号表示匹配尽可能少的字符。现在您的 findall() 将返回您想要的每个结果。

http://docs.python.org/2/howto/regex.html#greedy-versus-non-greedy

【参考方案4】：

使用 BeautifulSoup 模块会容易得多。

https://pypi.python.org/pypi/beautifulsoup4