无法摆脱不需要的输出[重复]

Posted 2023-02-23

【中文标题】无法摆脱不需要的输出[重复]

【英文标题】：Can't get rid of unwanted output [duplicate]

【发布时间】：2018-12-16 06:03:23

【问题描述】：

我在 python 中结合re 模块编写了一个脚本，以从网页中获取不同问题的标题。我的意图是不使用BeautifulSoup 并且仍然能够解析标题。我使用模式的方式可以做到这一点。但是，输出看起来并不那么好。我怎样才能只得到问题标题而没有其他任何东西。

这是我的尝试（使用re.search()）：

import requests
import re

link = "https://***.com/questions/tagged/web-scraping"

res = requests.get(link).text
for item in res.splitlines():
    matchitem = re.search(r'hyperlink">(How.+)</a>',item)
    if matchitem:
        print(matchitem.group())

我得到的输出（从几个中）：

hyperlink">How to use Selenium check the checkbox lists?</a>

我希望得到的是这样的：

How to use Selenium check the checkbox lists?

我对正则表达式很陌生。所以，如果我的问题不适合成为问题，我会提前道歉。

【问题讨论】：

使用正则表达式解析 html 代码最初是个坏主意。为什么你不想使用 BeautifulSoup？您也可以检查恕我直言更好的选择 - lxml.html

【参考方案1】：

您只需要使用group(1)，它会获取第一个捕获的子组，而不是group()，它会获取整个匹配项。

来自the docs：

返回匹配的一个或多个子组。如果只有一个参数，则结果为单个字符串；如果有多个参数，则结果是一个元组，每个参数一个项目。如果没有参数，group1 默认为零（返回整个匹配项）。

所以：

>>> item = 'blah blah hyperlink">How to use Selenium check the checkbox lists?</a> stuff'
>>> matchitem = re.search(r'hyperlink">(How.+)</a>',item)
>>> matchitem
<_sre.SRE_Match object; span=(10, 70), match='hyperlink">How to use Selenium check the checkbox>
>>> matchitem.group()
'hyperlink">How to use Selenium check the checkbox lists?</a>'
>>> matchitem.group(1)
'How to use Selenium check the checkbox lists?'

附注：

我的意图是不使用 BeautifulSoup 并且仍然能够解析标题。我使用模式的方式可以做到这一点。

真的吗？我可以很容易地构建你的正则表达式会做错事的例子。即使没有半病态的数据，如果他们在周二推送一个新的网站小版本，甚至没有触及这部分代码，鉴于属性是任意排序的，a 的属性可能会出现在不同的顺序，突然你的搜索失败了，而一个简单的 BeautifulSoup 搜索仍然有效。

如果您这样做是为了学习正则表达式，那可能没问题（尽管实际上，HTML 并不是一个很好的例子），但是如果您想完成实际工作，您'最好使用解析器。

【讨论】：

我要等 7 分钟才能接受你的回答@abarnert。

这是我第一次尝试使用任何模式来解析标题。但是，你能告诉我为什么它失败了（使用消极的后视和积极的前瞻）'(?<!hyperlink">)How.+(?=</a>)'？

@asmitu (?<!hyperlink">) 匹配一个没有紧跟在 hyperlink"> 前面的位置。您想使用积极的后视(?<=hyperlink">)。但是您不需要，因为很容易捕获字符串的一部分并通过.group(n) 获取其值。

非常感谢@Wiktor Stribiżew。您刚刚通过提供该答案使我免于创建另一个帖子。