Python - 使用正则表达式查找多个匹配项并按特定顺序报告答案

【问题标题】：Python - Using Regex to find multiple matches and report in a certain orderPython - 使用正则表达式查找多个匹配项并按特定顺序报告
【发布时间】：2018-08-09 01:52:11
【问题描述】：

我正在尝试从 HTML 源文件中提取一些行。下面的一个被简化了，但它的想法是一样的。使用下面的示例，我试图让它按数字顺序输出......即表格 1、表格 2、表格 3、表格 4。问题是第二个循环在第二轮重新开始。所以我得到：表格 1、表格 2、表格 3、表格 2。如何编辑以便第二个循环继续提取表格 4 文本？

代码

import re

line = 'bla bla bla<form>Form 1</form> some text...<form1>Form 
2</form1> more text?bla bla bla<form>Form 3</form> some text...
<form1>Form 4</form1> more text?'

for match in re.finditer('<form>(.*?)</form>', line, re.S):
  print match.group(1)
  for match1 in re.finditer('<form1>(.*?)</form1>', line, re.S):
    print match1.group(1)
    break

【问题讨论】：

可能重复：stackoverflow.com/questions/1732348/…

标签： python regex loops break

【解决方案1】：

这是你想要的吗？

>>> for item in re.finditer(r'<form[12]?>([^<]+)',line):
...     item.groups()[0]
...     
'Form 1'
'Form 2'
'Form 3'
'Form 4'

如果是，请不要告诉任何人我的想法是对 HTML 使用正则表达式。

【讨论】：

【解决方案2】：

for match in re.finditer('<form1?>(.*?)</form1?>', line, re.S):
    print(match.group(1))

我修改代码：

for match in re.finditer('(<form>(.*?)</form>)|(<form1>(.*?)</form1>)', line, re.S):
    if None != match.group(4):
        print(match.group(4))
    else:
        print(match.group(2))

【讨论】：

这就是我正在使用的。但请注意，有两种模式...
和交替出现。所以问题是如何循环它们，以便按以下顺序搜索：、、、.
是的，第一个代码有问题。我修改了代码。

【解决方案3】：

返回的match 对象有一个方法start，它获取所需组的索引并返回字符串中匹配组的起始索引（即line）。然后，您可以通过切片line（例如line[some_index:]）让内部循环从该索引而不是line 的开头开始。一个更合适和简单的方法是让你内心的re.finditer带match.group(1)而不是line。

但是，除非目标 HTML 的模式足够简单，否则手动处理 HTML 通常不是一个好主意。您可以使用一些易于使用且复杂的库来从 HTML 中解析和提取数据。

【讨论】：