在Python正则表达式搜索中匹配字符串的通配符

Question

我想我会写一些快速代码来下载Facebook页面的“粉丝”数量。

出于某种原因，尽管我尝试了相当多的迭代次数，但我无法获得以下代码来挑选HTML中的粉丝数量。 在这种情况下，我在网络上找到的其他解决方案都没有正确匹配正则表达式。 当然可以在两个匹配位之间加一些通配符？

我想要匹配的文字是“ X粉丝中的6个 ”，其中X是页面拥有的任意数量的粉丝 - 我想得到这个数字。

我正在考虑间歇性地轮询这些数据并写入文件，但我还没有解决这个问题。 我也想知道这是否朝着正确的方向前进，因为代码看起来很笨重。 :)

import urllib
import re

fbhandle = urllib.urlopen('http://www.facebook.com/Microsoft')
pattern = "6 of(.*)fans" #this wild card doesnt appear to work?
compiled = re.compile(pattern)

for lines in fbhandle.readlines():
        ms = compiled.match(lines)
        print ms #debugging
        if ms: break
#ms.group()
print ms
fbhandle.close()

Answer 1

import urllib
import re

fbhandle = urllib.urlopen('http://www.facebook.com/Microsoft')
pattern = "6 of(.*)fans" #this wild card doesnt appear to work?
compiled = re.compile(pattern)

ms = compiled.search(fbhandle.read())
print ms.group(1).strip()
fbhandle.close()

你需要使用re.search()代替。 使用re.match()尝试将模式与整个文档进行匹配，但实际上您只是尝试匹配文档中的一个部分。 上面的代码打印： 79,110 。 当然，这可能是由其他人运行时的不同数字。

Answer 2

Evan Fosmark已经给出了一个很好的答案。 这只是更多信息。

你有这条线：

pattern = "6 of(.*)fans"

一般来说，这不是一个好的正则表达式。 如果输入文本是：

“整个银河系的99名粉丝中有6名”

然后匹配组（括号内的东西）将是：

“整个银河系的99名粉丝”

所以，我们想要一个能够抓住你想要的模式，即使是像上面那样愚蠢的输入文本。

在这种情况下，如果匹配空格并不重要，因为当您将字符串转换为整数时，将忽略空格。 但是让我们写一下模式来忽略空格。

使用*通配符，可以匹配长度为零的字符串。 在这种情况下，我认为你总是想要一个非空匹配，所以你想使用+来匹配一个或多个字符。

Python具有非贪婪匹配，因此您可以使用它进行重写。 具有正则表达式的旧程序可能没有非贪婪匹配，因此我还将给出一种不需要非贪婪的模式。

所以，非贪婪的模式：

pattern = "6 of\s+(.+?)\s+fans"

另一个：

pattern = "6 of\s+(\S+)\s+fans"

\\s表示“任何空格”，将匹配空格，制表符和其他一些字符（例如“换页”）。 \\S表示“任何非空白”和匹配任何\\s将不匹配。

使用愚蠢的输入文本，第一个模式比第一个模式更好：

“整个银河系的99名粉丝中有6名”

它会返回一个只有99的匹配组。

但试试这个其他愚蠢的输入文字：

“疯子迷中有6人”

它将返回99 crazed的匹配组。

第二种模式根本不匹配，因为“疯狂”这个词不是“粉丝”这个词。

嗯。 这是最后一个模式，即使使用愚蠢的输入文本也应该始终做正确的事情：

pattern = "6 of\D*?(\d+)\D*?fans"

\\d匹配任何数字（ '0'到'9' ）。 \\D匹配任何非数字。

这将成功匹配远程非模糊的任何内容：

“整个银河系的99名粉丝中有6名”

比赛组将是99 。

“疯子迷中有6人”

比赛组将是99 。

“共有99个粉丝”

它不会匹配，因为那里有第二个数字。

要了解更多关于Python的正则表达式，你可以阅读各种 网站 的网页 。 要快速提醒，请在Python解释器中执行以下操作：

>>> import re
>>> help(re)

当您从网页“抓取”文本时，有时可能会违反HTML代码。 通常，正则表达式不是忽视HTML或XML标记的好工具（参见此处 ）; 你可能会更好地使用Beautiful Soup来解析HTML并提取文本，然后使用正则表达式来获取你真正想要的文本。

我希望这很有趣和/或有教育意义。

Answer 3

不需要正则表达式

import urllib
fbhandle = urllib.urlopen('http://www.facebook.com/Microsoft')
for line in fbhandle.readlines():
    line=line.rstrip().split("</span>")
    for item in line:
        if ">Fans<" in item:
            rind=item.rindex("<span>")
            print "-->",item[rind:].split()[2]

产量

$ ./python.py
--> 79,133