为啥这个正则表达式不起作用：r'.*logo.*' [重复]

Posted 2023-03-14

【中文标题】为啥这个正则表达式不起作用：r\'.*logo.*\' [重复]

【英文标题】：Why does this regex not work: r'.*logo.*' [duplicate]为什么这个正则表达式不起作用：r'.*logo.*' [重复]

【发布时间】：2014-03-08 11:46:25

【问题描述】：

我希望以下正则表达式能够匹配，但事实并非如此。为什么？

import re
html = '''
                <a href="#">
                    <img src="logo.png"  >
                    </img>
                 </a>
  '''
m = re.match( r'.*logo.*', html, re.M|re.I)

if m: 
    print m.group(1)
if not m:
    print "not found"

【问题讨论】：

另见***.com/a/1732454/14122

【参考方案1】：

使用re.search。 re.match 假定匹配在字符串的开头。

【讨论】：

...好吧，可以说，.* 应该允许它无论如何匹配，re.MULTILINE 正在使用中。

好的，如果这不是问题，那是什么？

这是一个很好的问题，如果我知道（或者，好吧，有时间/有重现的意愿），我会自己发布一个答案。 :)

已回答 -- 除了 re.MULTILINE 之外，还需要 re.DOTALL 才能使前导 .* 匹配换行符。

【参考方案2】：

我们不使用正则表达式来解析 HTML。

在我之后重复：我们不使用正则表达式来解析 HTML。

也就是说，它不起作用，因为re.match 明确地只检查行的开头。请改用re.search 或re.findall。

【讨论】：

推荐靓汤。

这个答案比我的好，因为它找到了问题的根源。

（在 SO 上获得声誉的最快方法？告诉别人不要使用正则表达式来解析 HTML。）

@Mr.Polywhirl，Beautiful Soup 现在只是 lxml.html 的包装；为什么不直接使用真正的底层库（可以说设计更好一些）？

啊，明白了——re.DOTALL 是前导 .* 匹配换行所必需的。现在这是有道理的。

【参考方案3】：

您需要包含 re.DOTALL (== re.S) 标志以允许 .匹配换行符 (\n)。

但是，如果“logo”出现在其中的任何位置，则返回整个文档；用处不大。

稍微好一点是

import re
html = """
    <a href="#">
        <img src="logo.png"   />
    </a>
"""

match_logo = re.compile(r'<[^<]*logo[^>]*>', flags = re.I | re.S)

for found in match_logo.findall(html):
    print(found)

返回

<img src="logo.png"   />

会更好

from bs4 import BeautifulSoup

pg = BeautifulSoup(html)
print pg.find("img", "alt":"logo")