Python 正则表达式 Findall 语句答案

【问题标题】：Python Regex Findall StatementPython 正则表达式 Findall 语句
【发布时间】：2013-07-07 03:16:51
【问题描述】：

我是一个业余程序员，对这个网站很陌生。我已经搜索过这个问题，但在互联网或本网站的其他任何地方都没有找到。

我正在尝试抓取打开和关闭段落 html 标记之间的所有单词（ 和 ）。我的 findall 声明适用于所有段落中的所有单词，特别是在线文章，除了有单引号或双引号的地方。完全有可能有更好的方法来做我正在尝试做的事情，或者可以轻松地调整此语句以包含带引号的段落。任何建议将不胜感激！

findall 语句：

aText = findall("<p>[A-Za-z0-9<>=\"\:/\.\-,\+\?#@'<>;%&\$\*\^\(\)\[\]\{\}\|\\!_`~ ]+</p>",text)

【问题讨论】：

步骤 1) 在您喜欢的搜索引擎中搜索“美汤”。步骤 2) 遵循其从 HTML 元素中提取文本的清晰示例之一。没有第 3 步，它实际上是一个相当优雅的库，仅用于此目的:)

标签： regex python-3.x findall

【解决方案1】：

>>> t = "<p>there isn't much here</p>"
>>> re.findall(r'<p>(.+?)</p>',t)
["there isn't much here"]

嵌入" 的示例：

>>> t = r"<p>there isn't much \"to go by\" here</p>"
>>> re.findall(r'<p>(.+?)</p>',t)
['there isn\'t much \\"to go by\\" here']

通常+ 是一个贪婪限定符，通过在末尾添加? 我们使其非贪婪，它试图实现最小匹配。所以它会消耗部分字符串直到可以匹配。

【讨论】：

这会起作用（我投票赞成它的正确性），但您需要注意它的局限性。关闭  标记是可选的（尽管如果缺少则无效）， 元素可以具有 id 和 class 之类的属性，这些属性会破坏这个正则表达式。

【解决方案2】：

使用像 Beautiful soup 这样的 HTML 解析引擎来做到这一点：

from BeautifulSoup import BeautifulSoup

html_doc= """
<p>
paragraph 1
</p>

<p>
paragraph 2
</ap>

<p>
paragraph 3
</p>
"""

soup = BeautifulSoup(html_doc)

soup.findAll('p')

【讨论】：