Python正则表达式字符串提取

Question

我正在尝试使用正则表达式从此字符串中提取两个字符串-

'<img src="http://images.efollett.com/books/978/047/012/9780470129296.gif" width="80" height="100" alt="Organic Chemistry I (as Second Language)" />'

我想要src之后的URL和alt之后的文本（所以有机化学I（作为第二语言）和url）

我已经尝试过('<img src=(\\w+)" width') ， ('<img src="(\\w+)"')和('src="(\\w+)"\\swidth') url都返回空。

我也尝试过使用('alt="(\\w+)"')作为名字，但再次没有运气。

有人可以帮忙吗？

Answer 1

使用lxml 。

import lxml.html

html_string = '<img src="http://images.efollett.com/books/978/047/012/9780470129296.gif" width="80" height="100" alt="Organic Chemistry I (as Second Language)" />'

img = lxml.html.fromstring(html_string)

print "src:", img.get("src")
print "alt:", img.get("alt")

给出 ：

src: http://images.efollett.com/books/978/047/012/9780470129296.gif
alt: Organic Chemistry I (as Second Language)

Answer 2

尽管您不应该使用正则表达式解析HTML ，但我可以在这里指出正则表达式的常见错误，即您使用\\w 。 仅匹配AZ，az，0-9和下划线。 不斜杠，也不括号。 如果您尝试从属性中提取数据，请使用"([^"]*)"或"(.*?)"

Answer 3

您可以尝试r'<img[^>]*\\ssrc="(.*?)"'和r'<img[^>]*\\salt="(.*?)"' 。

我不知道您是否正在处理HTML。 [^>]*是为了确保在方括号内。 \\s用于避免使用某些标签，例如“ xxxsrc”，并注意换行符。

Answer 4

我不懂python，但是这个正则表达式有帮助吗？

<img.*?src="([^"]*)".*?alt="([^"]*)".*?>