如何控制html字符串上Python的re.findall返回的结果？

如何解决如何控制html字符串上Python的re.findall返回的结果？

| 我正在尝试捕获\“ Catalina 320 \” SO LONG的所有实例，因为它们出现在\“ The Boats \”字符串之前（请参见下面的常规示例）。我具有捕获\“ Catalina 320 \”的所有实例的代码，但是我不知道如何在\“这些船\”字符串处停止它。

resultsArray = re.findall(r\'<tag>(Catalina 320)</tag>\',string,re.DOTALL)

谁能帮我解决这个缺失的部分？我尝试添加“。+这些船”，但是没有用。谢谢- 京东

  Blah blah blah
    <tag>**Catalina 320**</tag>
  Blah
    <td>**Catalina 320**</td>
  Blah Blah 
    <tag>**These boats** are fully booked for the day</tag>
  Blah blah blah
    <tag>Catalina 320</tag>
    <tag>Catalina 320</tag>

解决方法

如果您的问题没有其他背景，可以在第一次出现\'These boats\'之前进行搜索：

re.findall(\'Catalina 320\',string.split(\'These boats\')[0])

, 您可以使用正则表达式解决此问题，但根据您陈述问题的方式，则不需要正则表达式。请参见结尾注释1。您应该使用lxml来解析...

import lxml.etree as ET
from lxml.etree import XMLParser

resultsArray = []
parser = XMLParser(ns_clean=True,recover=True)
tree = ET.parse(\'foo.html\',parser)   # See End-Note 2
for elem in tree.findall(\"//\"):
    if \"These boats\" in elem.text:
        break
    elif \"Catalina 320\" in elem.text:
        resultsArray.append(ET.tostring(elem).strip())


print resultsArray

执行此操作将产生：

[mpenning@Bucksnort ~]$ python foo.py
[\'<tag>**Catalina 320**</tag>\',\'<td>**Catalina 320**</td>\']
[mpenning@Bucksnort ~]$

尾注：您问题的当前版本没有有效的标记，但是我假设您使用的是xml或html（这是问题的版本1中的内容）...我的答案可以按原样处理您的文本，但是假定某种结构标记更有意义，因此我使用了以下输入文本，并将其本地保存为foo.html：

     <body>
<tag>Blah blah blah</tag>
    <tag>**Catalina 320**</tag>
  <tag>Blah<tag>
    <td>**Catalina 320**</td>
  </tag>Blah Blah </tag>
    <tag>**These boats** are fully booked for the day</tag>
  <tag>Blah blah blah</tag>
    <tag>Catalina 320</tag>
    <tag>Catalina 320</tag>
    </body>

如果您想对编码问题更谨慎一些，可以在将with4解析为HTML时使用lxml.soupparser作为后备

from lxml.html import soupparser
# ...
try:
    parser = XMLParser(ns_clean=True,recover=True)
    tree = ET.parse(\'foo.html\',parser)
except UnicodeDecodeError:
    tree = soupparser.parse(\'foo.html\')

groups = re.findall(r\'(Catalina 320)*.*These boats,r.read(),re.DOTALL)

分组中的第一组将包含Catalina 320比赛列表。 , 包含名称为“'foo.html \”的文件

     <body>
<tag>Blah blah blah</tag>
    <tag>**Catalina 320**</tag>
  <tag>Blah<tag>
    <td>**Catalina 320**</td>
  </tag>Blah Blah </tag>
    <tag>**These boats** are fully booked for the day</tag>
  <tag>Blah blah blah</tag>
    <tag>Catalina 320</tag>
    <tag>Catalina 320</tag>
    </body>

码：

from time import clock
n = 1000


########################################################################

import lxml.etree as ET
from lxml.etree import XMLParser

parser = XMLParser(ns_clean=True,recover=True)
etree = ET.parse(\'foo.html\',parser)

te = clock()
for i in xrange(n):
    resultsArray = []
    for thing in etree.findall(\"//\"):
        if \"These boats\" in thing.text:
            break
        elif \"Catalina 320\"in thing.text:
            resultsArray.append(ET.tostring(thing).strip())
tf = clock()

print \'Solution with lxml\'
print tf-te,\'\\n\',resultsArray


########################################################################

with open(\'foo.html\') as f:
    text = f.read()

import re


print \'\\n\\n----------------------------------\'
rigx = re.compile(\'(Catalina 320)(?:(?:.(?!Catalina 320))*These boats.*\\Z)?\',re.DOTALL)

te = clock()
for i in xrange(n):
    yi = rigx.findall(text)
tf = clock()

print \'Solution 1 with a regex\'
print tf-te,yi


print \'\\n----------------------------------\'

ragx = re.compile(\'(Catalina 320)|(These boats)\')

te = clock()
for i in xrange(n):
    li = []
    for mat in ragx.finditer(text):
        if mat.group(2):
            break
        else:
            li.append(mat.group(1))
tf = clock()

print \'Solution 2 with a regex,similar to solution with lxml\'
print tf-te,li


print \'\\n----------------------------------\'

regx = re.compile(\'(Catalina 320)\')

te = clock()
for i in xrange(n):
    ye = regx.findall(text,text.find(\'These boats\') if \'These boats\' in text else len(text)) 
tf = clock()

print \'Solution 3 with a regex\'
print tf-te,ye

结果

Solution with lxml
0.30324105438 
[\'<tag>**Catalina 320**</tag>\',\'<td>**Catalina 320**</td>\']


----------------------------------
Solution 1 with regex
0.0245033935877 
[\'Catalina 320\',\'Catalina 320\']

----------------------------------
Solution 2 with a regex,similar to solution with lxml
0.0233258696287
[\'Catalina 320\',\'Catalina 320\']

----------------------------------
Solution 3 with regex
0.00784708671074 
[\'Catalina 320\',\'Catalina 320\']

我的正则表达式解决方案出了什么问题？时间： lxml-100％解决方案1-8.1％溶液2-7.7％溶液3-2.6％使用正则表达式不需要文本为XML或HTML文本。。那么，还有哪些假说正则表达式不如lxml处理这个问题呢？编辑1 rigx = re.compile(\'(Catalina 320)(?:(?:.(?!Catalina 320))*These boats.*\\Z)?\',re.DOTALL)的解决方案不好：如果不存在“'Catalina 320'”之前，则此正则表达式将捕获位于“这些船”之后的“ Catalina 320”的发生该模式必须是：

rigx = re.compile(\'(<tag>Catalina 320</tag>)(?:(?:.(?!<tag>Catalina 320</tag>))*These boats.*\\Z)?|These boats.*\\Z\',re.DOTALL)

但这与其他解决方案相比是一个相当复杂的模式

如何控制html字符串上Python的re.findall返回的结果？

如何解决如何控制html字符串上Python的re.findall返回的结果？

解决方法

相关推荐