Python正则表达式提取HTML引号内的文本答案

【问题标题】：Python regular expression to pull text inside of HTML quotation marksPython正则表达式提取HTML引号内的文本
【发布时间】：2015-05-24 15:26:10
【问题描述】：

我正在尝试从公司在 EDGAR 上的 10-K 文件中提取股票代码。股票代码通常出现在一对 HTML 引号之间，例如“”或“”。相关文本的典型部分示例：

我们的普通股已在纽约证券交易所 (“NYSE”) 上市，代码为 “RXN”

此时我只是想弄清楚如何处理一个或多个引号的出现。我可以编写一个匹配一种特定类型引号的正则表达式：

re.findall(r'under[^<]*the[^<]*symbol[^<]*&ldquo;*[^<]*\n',fileText)

但是，我无法编写查找不止一种引号的正则表达式。这个正则表达式什么也没产生：

re.findall(r'under[^<]*the[^<]*symbol[^<]*&ldquo;*&#145;*&#146;*&#147;*[^<]*\n',fileText)

任何帮助将不胜感激。

【问题讨论】：

【解决方案1】：

您的正则表达式会查找所有一起出现的引号。如果您正在寻找任何一个的可能性，您需要在每个字符串周围加上括号并or他们：

(?:&ldquo;)*|(?:&#145;)*|(?:&#146;)*|(?:&#147;)*

?: 使括号组不被捕获。即，解析器不会将每一个都保存为重要文本。顺便说一句，您可能希望使用组捕获来保存股票代码——您实际要查找的内容。非常快速而肮脏（丑陋）的表达式，将从给定字符串返回['NYSE', 'RXN']：

re.findall(r'(?:(?:&ldquo;)|(?:&#14[567];)|(?:&#822[01];))(.+?)(?:(?:&ldquo;)|(?:&#14[567];)|(?:&#822[01];))', fileText)

您可能只想在第一组中包含左引号，在最后一组中包含右引号。加上非此即彼的引号。

【讨论】：

【解决方案2】：

你可以使用

re.sub("&#([0-9]+);", lambda x:chr(int(x.group(1))), text)

这是可行的，因为您可以使用搜索/替换为替换部分提供可调用的内容。 “#”后面的数字是字符的unicode点，Pythonchr函数可以将其转换为文本。

例如：

re.sub("&#([0-9]+);", lambda x:chr(int(x.group(1))),
       "this is a &#8220;test&#8220;")

结果

'this is a “test“'

【讨论】：