美丽的汤和正则表达式

Posted 2023-02-23

【中文标题】美丽的汤和正则表达式

【英文标题】：Beautiful Soup and regular expressions

【发布时间】：2012-05-05 20:15:27

【问题描述】：

我正在使用 Beautiful Soup 来识别特定标签及其内容。内容是 html 链接，我想提取这些标签的文本。

问题是文本是根据特定的模式由不同的数字组成的。我只对“61993J0417”和“61991CJ0316”等数字感兴趣，当数字中间有“J”和“CJ”时，我需要正则表达式来匹配。

我已使用此代码来实现此目的：

soup.find_all(text=re.compile('[6][1-2][0-9]3[J]|[CJ][0-9]4'))

soup 变量是特定标签的内容。此代码适用于 10 个案例中的 9 个。但是，当我在我的一个源文件上运行此脚本时，它也会匹配诸如“51987PC0716”之类的数字。

我不明白为什么，所以我向你寻求帮助。

【问题讨论】：

在特定文件中，此正则表达式产生四个错误匹配：51987PC0716、51992PC0405、51992PC0405-C 和 51992PC0405-A09。如果我将正则表达式更改为'^[6][1-2][0-9]3[J]|[CJ][0-9]4$'，它只会犯两个错误并匹配51987PC0716和51992PC0405。

【参考方案1】：

您尚未指定| 适用于什么；默认情况下，它是整个正则表达式，这意味着您已经要求任何一个

[6][1-2][0-9]3[J]

（与6[12][0-9]3J相同）或

CJ[0-9]4

（不是 [CJ]，意思是“C 或 J”）。使用括号指定备选方案：

^6[12][0-9]3(J|CJ)[0-9]4$

哪个写的更好

^6[12][0-9]3C?J[0-9]4$

【参考方案2】：

IIUC，你的字符串中总是有一个“J”。 因此，将其设为必填，并使用问号将“C”设为可选。 比如：

re.compile('6[1-2][0-9]3C?J[0-9]4')

我没有对此进行测试，但您可能可以自己从这里继续。