需要在Python的正則表達式中使用特殊字符后逃脫字符？

Question

我有以下python代碼：

#!/usr/bin/python
# -*- coding: utf-8 -*-

import re
line = 'div><div class="fieldRow jr_name"><div class="fieldLabel">name<'
regex0 = re.compile('(.+?)\v class="fieldLabel">name.+?', re.VERBOSE | re.UNICODE)
regex1 = re.compile('(.+?)v class="fieldLabel">name.+?', re.VERBOSE | re.UNICODE)
regex2 = re.compile('(.+?) class="fieldLabel">name.+?', re.VERBOSE | re.UNICODE)

m0 = regex0.match(line)
m1 = regex1.match(line)
m2 = regex2.match(line)

if m0:
    print 'regex0 is good'
else:
    print 'regex0 is no good'

if m1:
    print 'regex1 is good'
else:
    print 'regex1 is no good'

if m2:
    print 'regex2 is good'
else:
    print 'regex2 is no good'

輸出是

regex0 is good
regex1 is no good
regex2 is good

我不太明白為什么我需要在regex0中的“（。+？）”之后轉義字符'v'。 如果我沒有逃脫，這將成為regex1，那么匹配將失敗。 但是，對於regex3中“（。+？）”之后的空格，我不必逃避。

任何想法？

提前致謝。

Answer 1

因此，您的方法存在一些問題導致您的具體投訴的問題包括：

• 您沒有將te regexp字符串標記為raw（ r'前綴） - 這使得Python編譯器在它們甚至到達re.match調用之前更改了字符串中的一些“\\”前綴字符。
• “\\ v”碰巧是一個這樣的字符 - 一個垂直標簽，被“\\ 0x0b”取代
• 你使用“re.VERBOSE”標志 - 它只是告訴regexp引擎忽略任何whitesapce字符。 作為垂直制表符的“\\ v”是此類中的一個字符，將被忽略。

所以，你有匹配regex0：字母“v”os似乎從來沒有這樣。

現在，對於您可能的修復方法，按照您應該嘗試執行的順序：

1）不要使用正則表達式來解析HTML。 真。 有很多軟件包可以很好地解析HTML，缺少那些可以使用stdlib自己的HTMLParser （ html.parser中的html.parser）;

2）如果可能的話，使用Python 3而不是Python 2 - 如果繼續將Python2字符串視為“真實生活”文本的天真方法，那么您將被咬到HTML體內的第一個非ASCII字符。 Python 3自動編碼處理（當它不是自動時允許顯式設置）。

因為你可能沒有改變，所以嘗試使用regex.findall而不是regex.match - 這會返回一個匹配字符串的列表，並且可以檢索你正在查看的屬性，而無需從文件的開始搜索，或者依賴於在HTML中的換行符。

Answer 2

Python regex \\ v中有一個特殊的符號，你可以在這里閱讀： https ： //docs.python.org/2/library/re.html

Python正則表達式通常用r'your regex'塊編寫，其中“r”表示原始字符串。 （ https://docs.python.org/3/reference/lexical_analysis.html ）

在您的代碼中，所有特殊字符都應該被轉義為普通字符。 例如，如果你寫s - 這是空格，\\ s只是“s”。 為了使它以相反的方式工作，使用原始字符串。 我相信下面這一行是您需要的解決方案。

regex1 = re.compile(r'(.+?)v class="fieldLabel">name.+?', re.VERBOSE | re.UNICODE)