python - 正则表达式在 python 中匹配和清理引号

Question

我从 Goodreads 中抓取了一堆引用，存储在 bs4.element.ResultSet 中。 ，每个元素的类型为 bs4.element.Tag 。我正在尝试将正则表达式与 python 3.6.3 中的 re 模块一起使用来清理引号并仅获取文本。当我使用 [print(q.text) for q in quotes] 进行迭代和打印时有些引用看起来像这样

“Don't cry because it's over, smile because it happened.”

―

而其他的看起来像这样:

“If you want to know what a man's like, take a good look at how he treats his inferiors, not his equals.”

―

,

每个末尾都有一些额外的空行。我的想法是我可以迭代 quotes并调用re.match每个报价如下:

cleaned_quotes = []    
for q in quote:
    match = re.match(r'“[A-Z].+$”', str(q))
    cleaned_quotes.append(match.group())

我猜测我的正则表达式模式与任何内容都不匹配，因为我收到以下错误:

AttributeError: 'NoneType' object has no attribute 'group'

毫不奇怪，打印列表会给出 None 的列表。对象。关于我可能做错了什么有什么想法吗？

Answer 1

由于您出于学习目的而请求此内容，因此以下是正则表达式答案:

(?<=“)[\s\s]+?(?=”)

说明:

我们使用positive lookbehind to and lookahead标记模式的开始和结束，并同时从结果中删除引号。 在引号内，我们懒惰地将任何内容与 .+?

匹配

Online Demo

示例代码:

import re
regex = r"(?<=“)[\s\S]+?(?=”)"
cleaned_quotes = []    
for q in quote:
    m = re.search(regex, str(q))
    if m:
        cleaned_quotes.append(m.group())

可以说，我们不需要任何正则表达式标志。为多个匹配添加 g|global 标志。并且 m|multiline 逐行处理匹配(在这种情况下，可能需要使用 [\s\S] 而不是点来获取跨行结果。 ) 这也将改变位置 anchors 的行为^ 和 $，匹配行尾而不是字符串。因此，在两者之间添加这些位置 anchor 是错误的。

还有一件事，我使用 re.search() 因为 re.match() 仅从字符串的开头匹配。一个常见的问题。请参阅documentation .