使用 REGEX 查找段落并在该段落内查找字符串

Question

我在一个 HTML 页面中有一些这样的行：

<div>
    <p class="match"> this sentence should match </p> 
    some text
    <a class="a"> some text </a>  
</div>
<div> 
    <p class="match"> this sentence shouldnt match</p> 
    some text
    <a class ="b"> some text </a> 
</div>

我想提取<p class="match"> 内的行，但前提是div 内包含<a class="a">。

到目前为止我所做的如下（我首先找到带有<a class="a"> 的段落，然后迭代结果以在<p class="match"> 中找到句子）：

import re
file_to_r = open("a")

regex_div = re.compile(r'<div>.+"a".+?</div>', re.DOTALL)

regex_match = re.compile(r'<p class="match">(.+)</p>')
for m in regex_div.findall(file_to_r.read()):
    print(regex_match.findall(m))

但我想知道是否有其他（仍然有效的）方法可以一次完成？

Answer 1

使用 HTML 解析器，例如 BeautifulSoup。

找到带有a 类的a 标记，然后找到带有match 类的find previous sibling - p 标记：

from bs4 import BeautifulSoup

data = """
<div>
    <p class="match"> this sentence should match </p>
    some text
    <a class="a"> some text </a>
</div>
<div>
    <p class="match"> this sentence shouldn't match</p>
    some text
    <a class ="b"> some text </a>
</div>
"""

soup = BeautifulSoup(data)
a = soup.find('a', class_='a')
print a.find_previous_sibling('p', class_='match').text

打印：

this sentence should match 

还可以在此处了解为什么应避免使用正则表达式来解析 HTML：

• RegEx match open tags except XHTML self-contained tags

Answer 2

您应该使用 html 解析器，但如果您仍然使用正则表达式，则可以使用以下内容：

<div>\s*<p class="match">([\w\s]+)</p>[\w\s]+(?=<a class="a").*?</div>

Working demo

Answer 3

 <div>\s*\n\s*.*?<p class=.*?>(.*?)<\/p>\s*\n\s*.*?\s*\n\s*(?=(\<a class=\"a\"\>))

你可以用这个。

查看演示。

http://regex101.com/r/lK9iD2/7