【问题标题】：Using regex to extract all the html attrs使用正则表达式提取所有 html attrs
【发布时间】：2013-06-25 17:10:27
【问题描述】：

我想使用re 模块从字符串中提取所有 html 节点，包括它们的所有属性。但是，我希望每个 attr 都是一个组，这意味着我可以使用 matchobj.group() 来获取它们。节点中的属性数量是灵活的。这就是我感到困惑的地方。我不知道如何编写这样的正则表达式。我已经尝试过</?(\w+)(\s\w+[^>]*?)*/?>'，但是对于像<a href='aaa' style='bbb'> 这样的节点，我只能使用[('a'), ('style="bbb")] 获得两个组。
我知道有一些很好的 HTML 解析器。但实际上我不会提取 attrs 的值。我需要修改原始字符串。

【问题讨论】：

FFS...crummy.com/software/BeautifulSoup
考虑使用 HTML 解析器而不是正则表达式。 crummy.com/software/BeautifulSoup
正常情况下第一个匹配被第二个覆盖。
为什么需要修改原始字符串？

标签： python html regex

【解决方案1】：

Please don't use regex。使用BeautifulSoup：

>>> from bs4 import BeautifulSoup as BS
>>> html = """<a href='aaa' style='bbb'>"""
>>> soup = BS(html)
>>> mytag = soup.find('a')
>>> print mytag['href']
aaa
>>> print mytag['style']
bbb

或者如果你想要一本字典：

>>> print mytag.attrs
{'style': 'bbb', 'href': 'aaa'}

【讨论】：

我知道 HTML 解析器应该是不错的选择，但实际上我认为它们不适合我。我需要修改原始字符串。
@zhangyangyu 看看this或许

【解决方案2】：

说明

要捕获无限数量的属性，它需要一个两步过程，其中首先拉取整个元素。然后您将遍历元素并获取匹配属性的数组。

获取所有元素的正则表达式：<\w+(?=\s|>)(?:[^>=]|='[^']*'|="[^"]*"|=[^'"][^\s>]*)*?>

从单个元素中获取所有属性的正则表达式：\s\w+=(?:'[^']*'|"[^"]*"|[^'"][^\s>]*)(?=\s|>)

Python 示例

查看工作示例：http://repl.it/J0t/4

代码

import re

string = """
<a href="i.like.kittens.com" NotRealAttribute=' true="4>2"' class=Fonzie>text</a>
""";

for matchElementObj in re.finditer( r'<\w+(?=\s|>)(?:[^>=]|=\'[^\']*\'|="[^"]*"|=[^\'"][^\s>]*)*?>', string, re.M|re.I|re.S):
    print "-------"
    print "matchElementObj.group(0) : ", matchElementObj.group(0)

    for matchAttributesObj in re.finditer( r'\s\w+=(?:\'[^\']*\'|"[^"]*"|[^\'"][^\s>]*)(?=\s|>)', string, re.M|re.I|re.S):
        print "matchAttributesObj.group(0) : ", matchAttributesObj.group(0)

输出

-------
matchElementObj.group(0) :  <a href="i.like.kittens.com" NotRealAttribute=' true="4>2"' class=Fonzie>
matchAttributesObj.group(0) :   href="i.like.kittens.com"
matchAttributesObj.group(0) :   NotRealAttribute=' true="4>2"'
matchAttributesObj.group(0) :   class=Fonzie

【讨论】：