正则表达式错误答案

【问题标题】：Regex Expression wrong正则表达式错误
【发布时间】：2019-09-20 16:42:33
【问题描述】：

我正在尝试从以下短语中提取国家（此处为印度尼西亚）：

<small class="text-muted">
                            <span class="hidden-xs">Football / </span>Indonesia / 
                            <span class="hidden-xs xh-highlight">Kick off: </span>11 Sep 2019, 11:30                            </small>

目前，我只是使用以下命令来提取文本：

.xpath('.//small[@class="text-muted"]/text()').extract()

仅提取印度尼西亚的正确正则表达式命令是什么？

【问题讨论】：

这似乎是一个XPath问题，与正则表达式无关。

标签： regex xpath scrapy web-crawler

【解决方案1】：

您可以使用这个 XPath-1.0 表达式：

//small[@class="text-muted"]/span[@class="hidden-xs"]/following-sibling::text()

结果为@987654323@。
如果你想摆脱斜线，你有几种可能：

从表达式中删除所有斜杠：

normalize-space(translate(//small[@class="text-muted"]/span[@class="hidden-xs"]/following-sibling::text(),"/",""))

使用substring-before()获取斜杠前的字符串：

normalize-space(substring-before(//small[@class="text-muted"]/span[@class="hidden-xs"]/following-sibling::text(),"/"))

使用substring-before()获取第一个空格前的字符串：

normalize-space(substring-before(//small[@class="text-muted"]/span[@class="hidden-xs"]/following-sibling::text()," "))

还有其他 XPath 表达式也可以。选择最适合您情况的一种。仅当您指定到当前节点的相对路径时，// 之前的前导点才是必需的。在上面的表达式中，我确实假设查找是全局的。

当然，这些 XPath 表达式必须用

包围

.xpath('...').extract()

【讨论】：

嘿 zx485 - 感谢您的回答。这是工作。开球后我必须做什么才能提取所有内容？我想提取“2019 年 9 月 11 日，11:30”
一种方法是将第二个@class 值从span[@class="hidden-xs"] 调整为span[@class="hidden-xs xh-highlight"]（或span[contains(@class,"xh-highlight")]）。
我正在使用以下命令：post.xpath('normalize-space(.//small[@class="text-muted"]/span[@class="hidden-xs xh-highlight"]/following-sibling::text())').extract() 但它不起作用。我删除了 subtring-before 函数，因为这里不需要它，是吗？
我测试了你的表达方式，对我来说它确实有效。因此，不幸的是，我无法重现您的错误。我 c/p'ed 你的表达式，其结果是11 Sep 2019, 11:30。我还检查了我的第二个变体，它也确实有效。因为这似乎是一个新问题的出现，我建议你用一个好的minimal reproducible example 提出一个新问题来解决这个问题。
好的 - 上述代码中的“hidden-xs xh-highlight”类是错误的。也是“hidden-xs”类。我使用以下命令获取数据（也许不是最有效的答案）：kickoff = post.xpath('.//small[@class="text-muted"]/span[@class="hidden-xs"]/following-sibling::text()').re('([^/]+$)') kickoff = [x.strip(' ') for x in kickoff] kickoff = [kickoff[1]]

【解决方案2】：

也许，从bs4 导入BeautifulSoup，我们可以提取国家，如果可以的话：

from bs4 import BeautifulSoup
import re

string="""
<small class="text-muted">
                            <span class="hidden-xs">Football / </span>Indonesia / 
                            <span class="hidden-xs xh-highlight">Kick off: </span>11 Sep 2019, 11:30                            </small>
A

"""

soup = BeautifulSoup(string, 'html.parser').find_all('small')[0].text

print(re.findall(r'[^/]+/\s*([^/]+?)\s*/', soup)[0])

输出

Indonesia

【讨论】：

【解决方案3】：

问题是，您对输入了解多少？您显然不知道它包含“印度尼西亚”，但输入的所有其他部分是否完全固定？例如，您要查找的文本是否总是紧跟在内容为 Football / 的 span 元素之后？

如果是这样，那么你可以这样做

//small[@class="text-muted"]/span[. = Football / ']/following-sibling::text()[1]

【讨论】：