Python regex look-behind 需要固定宽度的模式

Posted 2023-02-23

【中文标题】Python regex look-behind 需要固定宽度的模式

【英文标题】：Python regex look-behind requires fixed-width pattern

【发布时间】：2011-02-06 11:31:57

【问题描述】：

在尝试提取 html 页面的标题时，我总是使用以下正则表达式：

(?<=<title.*>)([\s\S]*)(?=</title>)

这将提取文档中标签之间的所有内容并忽略标签本身。但是，当尝试在 Python 中使用此正则表达式时，会引发以下异常：

Traceback (most recent call last):  
File "test.py", line 21, in <module>
    pattern = re.compile('(?<=<title.*>)([\s\S]*)(?=</title>)')
File "C:\Python31\lib\re.py", line 205, in compile
    return _compile(pattern, flags)   
File "C:\Python31\lib\re.py", line 273, in _compile
    p = sre_compile.compile(pattern, flags)   File
"C:\Python31\lib\sre_compile.py", line 495, in compile
    code = _code(p, flags)   File "C:\Python31\lib\sre_compile.py", line 480, in _code
_compile(code, p.data, flags)   File "C:\Python31\lib\sre_compile.py", line 115, in _compile
    raise error("look-behind requires fixed-width pattern")
sre_constants.error: look-behind requires fixed-width pattern

我使用的代码是：

pattern = re.compile('(?<=<title.*>)([\s\S]*)(?=</title>)')
m = pattern.search(f)

如果我做一些最小的调整，它会起作用：

pattern = re.compile('(?<=<title>)([\s\S]*)(?=</title>)')
m = pattern.search(f)

但是，这不会考虑由于某种原因具有属性或类似属性的潜在 html 标题。

有人知道解决此问题的好方法吗？任何提示都表示赞赏。

【问题讨论】：

是否有某些原因必须是零宽度断言？你可以只使用一个非捕获组吗？

虽然你不应该使用正则表达式来处理 HTML。为什么你完全使用环视而不是像<title.*>([\s\S]*)</title>这样的东西来参加第一组的比赛？

【参考方案1】：

放弃使用正则表达式解析 HTML 的想法，改用实际的 HTML 解析库。经过快速搜索，我找到了this one。这是从 HTML 文件中提取信息的一种更安全的方法。

请记住，HTML 不是正则语言，因此正则表达式从根本上来说是错误的从中提取信息的工具。

【讨论】：

BeautifulSoup (crummy.com/software/BeautifulSoup) 也是一个不错的选择。

【参考方案2】：

Here's a famous answer 使用正则表达式解析 html，这句话很好地说明了“不要使用正则表达式来解析 html”。

【讨论】：

是和不是。您不应该使用正则表达式来解析整个 DOM，或者复杂的标签嵌套。但是，正如 OP 试图做的那样，解析单个非嵌套标签是对正则表达式的完全合法使用。

【参考方案3】：

如果只想获取title标签，

html=urllib2.urlopen("http://somewhere").read()
for item in html.split("</title>"):
    if "<title>" in item:
        print item[ item.find("<title>")+7: ]

【参考方案4】：

类似的东西呢：

 r = re.compile("(<title.*>)([\s\S]*)(</title>)")
 title = r.search(page).group(2)

【参考方案5】：

提取非嵌套HTML/XML标签内容的正则表达式其实很简单：

r = re.compile('<title[^>]*>(.*?)</title>')

但是，对于更复杂的事情，您应该使用适当的 DOM 解析器，例如 urllib 或 BeautifulSoup。