python - 搜索 html 标签时 python 中的贪婪正则表达式错误

Question

我是 python regex

的新手

我知道如何使用 '?' 来解决贪心问题 下面的例子展示了它是如何工作的:

str2=' "anupam""behera" '
match2=re.search(r'".*?"',str2)
print match2.group()'

我得到输出 "anupam"

但在以下情况下不起作用:

str='<a href="/wiki/Main_Page" title="Visit the main page [z]" accesskey="z">Main page</a>'
match=re.findall(r'<a href="(.*?)">(.*)</a>',str)
for link in match:
print link[0]

我希望得到 :/wiki/Main_Page 的输出。但我得到的是:"/wiki/Main_Page"title="访问主页 [z]"accesskey="z">主页

Answer 1

要解决您的问题，您需要更加具体，例如:

r'<a href="(.*?)"\s.*?>(.*)</a>'

但是，不要使用正则表达式来解析 html/xml，如 famous answer 中所述.

使用像 lxml 这样的解析器。看看这是多么简单和自然:

from lxml.etree import fromstring
tag = '<a href="/wiki/Main_Page" title="Visit the main page [z]" accesskey="z">Main page</a>'

tag = fromstring(tag)

print tag.attrib.get('href')

打印:

/wiki/Main_Page

将此功能与类似 xpath 的东西结合起来或 css selectors并且您在解析任何 html 或 xml 格式时都不会遇到任何问题。