多個標簽的Python正則表達式

Question

我想知道如何從每個<p>標簽中檢索所有結果。

import re
htmlText = '<p data="5" size="4">item1</p><p size="4">item2</p><p size="4">item3</p>'
print re.match('<p[^>]*size="[0-9]">(.*?)</p>', htmlText).groups()

結果：

('item1', )

我需要的：

('item1', 'item2', 'item3')

Answer 1

對於此類問題，建議使用DOM解析器，而不是正則表達式。

我見過經常推薦用於Python的Beautiful Soup

Answer 2

美麗的湯肯定是這樣的問題的方式。 代碼更清晰，更易於閱讀。 安裝完成后，獲取所有標簽就像這樣。

from BeautifulSoup import BeautifulSoup
import urllib2

def getTags(tag):
  f = urllib2.urlopen("http://cnn.com")
  soup = BeautifulSoup(f.read())
  return soup.findAll(tag)


if __name__ == '__main__':
  tags = getTags('p')
  for tag in tags: print(tag.contents)

這將打印出p標簽的所有值。

Answer 3

正則表達式的答案非常脆弱。 這是證明（以及一個有效的BeautifulSoup示例）。

from BeautifulSoup import BeautifulSoup

# Here's your HTML
html = '<p data="5" size="4">item1</p><p size="4">item2</p><p size="4">item3</p>'

# Here's some simple HTML that breaks your accepted 
# answer, but doesn't break BeautifulSoup.
# For each example, the regex will ignore the first <p> tag.
html2 = '<p size="4" data="5">item1</p><p size="4">item2</p><p size="4">item3</p>'
html3 = '<p data="5" size="4" >item1</p><p size="4">item2</p><p size="4">item3</p>'
html4 = '<p data="5" size="12">item1</p><p size="4">item2</p><p size="4">item3</p>'

# This BeautifulSoup code works for all the examples.
paragraphs = BeautifulSoup(html).findAll('p')
items = [''.join(p.findAll(text=True)) for p in paragraphs]

使用BeautifulSoup。

Answer 4

您可以像這樣使用re.findall ：

import re
html = '<p data="5" size="4">item1</p><p size="4">item2</p><p size="4">item3</p>'
print re.findall('<p[^>]*size="[0-9]">(.*?)</p>', html)
# This prints: ['item1', 'item2', 'item3']

編輯 ：...但正如許多評論者指出的那樣，使用正則表達式解析HTML通常是一個壞主意。

Answer 5

或者， xml.dom.minidom將解析您的HTML，如果，

• ......它很好
• ...你將它嵌入一個根元素中。

例如，

>>> import xml.dom.minidom
>>> htmlText = '<p data="5" size="4">item1</p><p size="4">item2</p><p size="4">item3</p>'
>>> d = xml.dom.minidom.parseString('<not_p>%s</not_p>' % htmlText)
>>> tuple(map(lambda e: e.firstChild.wholeText, d.firstChild.childNodes))
('item1', 'item2', 'item3')