python - 在html页面中使用re模块搜索字符串

Question

我有一个带有 javascript 的 html 页面 html中有一些js代码:

<script type="text/javascript">
    var viewAllLimiter = 0;
</script>

如何找到 viewAllLimiter 并通过 re.search 获取其值？

我已经尝试过:

#hh2 - opened page with urllib2
re.search('var viewAllLimite = "(\w)"', hh2)

我需要如下输出:

var viewAllLimiter = 0;

或者我知道的任何其他我看到 viewAllLimiter 参数值的内容

Answer 1

实现此目的的一种方法是使用 re.findall 方法和组。这将返回一个列表，其中包含您的组作为成员。另外，如果您想将大于 9 的数字与正则表达式匹配，则需要在\w 之后添加一个“+”。另外，如果您确定该值始终是数字，最好使用\d+。

re.findall( r'(viewAllLimiter =) (\w+)', txt )

这将返回

[('viewAllLimiter =', '0')]

对于你的例子，但也会返回

[('viewAllLimiter =', '9924')]

如果该值是一个更大的数字。请注意列表内的元组。这是因为每个模式匹配都会得到一个元组，并且元组中的每一项都是您的组之一。使用正则表达式时要记住的最后一件事是，使用 raw strings 将为您省去很多麻烦。 (前导引号前面的r)。

要匹配更通用的变量类，您可以使用以下正则表达式，

re.findall( r"""\s*(CATEGORY_ID)\s*=\s*((?:'|")?\w+(?:'|")?)""", txt )

只要您将要搜索的变量名称放在正则表达式的开头，它就会捕获引号(或不引号)中的任何内容。请注意，这会返回引号和值，例如 [('SKU', '"GRP05133"')]。如果您只想要该值，可以将第二组紧紧围绕 \w+ 部分。

re.findall( r"""\s*(CATEGORY_ID)\s*=\s*(?:'|")?(\w+)(?:'|")?""", txt )

如果我们分解这个正则表达式，它会显示:

"""
\s*       # zero or more white spaces
(xxx)     # the variable you're looking for
\s*       # zero or more white spaces
=         # an equal sign
\s*       # zero or more white space
(?:'|")?  # zero or one ' or " but non-capturing (i.e. don't store in group output)
(\w+)     # the value of the variable
(?:'|")?  # zero or one single quote OR zero or one double quote
"""