如何解决如何控制html字符串上Python的re.findall返回的结果?
| 我正在尝试捕获\“ Catalina 320 \” SO LONG的所有实例,因为它们出现在\“ The Boats \”字符串之前(请参见下面的常规示例)。 我具有捕获\“ Catalina 320 \”的所有实例的代码,但是我不知道如何在\“这些船\”字符串处停止它。resultsArray = re.findall(r\'<tag>(Catalina 320)</tag>\',string,re.DOTALL)
谁能帮我解决这个缺失的部分?我尝试添加“。+这些船”,但是没有用。
谢谢-
京东
Blah blah blah
<tag>**Catalina 320**</tag>
Blah
<td>**Catalina 320**</td>
Blah Blah
<tag>**These boats** are fully booked for the day</tag>
Blah blah blah
<tag>Catalina 320</tag>
<tag>Catalina 320</tag>
解决方法
如果您的问题没有其他背景,可以在第一次出现
\'These boats\'
之前进行搜索:
re.findall(\'Catalina 320\',string.split(\'These boats\')[0])
, 您可以使用正则表达式解决此问题,但根据您陈述问题的方式,则不需要正则表达式。请参见结尾注释1。
您应该使用lxml
来解析...
import lxml.etree as ET
from lxml.etree import XMLParser
resultsArray = []
parser = XMLParser(ns_clean=True,recover=True)
tree = ET.parse(\'foo.html\',parser) # See End-Note 2
for elem in tree.findall(\"//\"):
if \"These boats\" in elem.text:
break
elif \"Catalina 320\" in elem.text:
resultsArray.append(ET.tostring(elem).strip())
print resultsArray
执行此操作将产生:
[mpenning@Bucksnort ~]$ python foo.py
[\'<tag>**Catalina 320**</tag>\',\'<td>**Catalina 320**</td>\']
[mpenning@Bucksnort ~]$
尾注:
您问题的当前版本没有有效的标记,但是我假设您使用的是xml或html(这是问题的版本1中的内容)...我的答案可以按原样处理您的文本,但是假定某种结构标记更有意义,因此我使用了以下输入文本,并将其本地保存为foo.html:
<body>
<tag>Blah blah blah</tag>
<tag>**Catalina 320**</tag>
<tag>Blah<tag>
<td>**Catalina 320**</td>
</tag>Blah Blah </tag>
<tag>**These boats** are fully booked for the day</tag>
<tag>Blah blah blah</tag>
<tag>Catalina 320</tag>
<tag>Catalina 320</tag>
</body>
如果您想对编码问题更谨慎一些,可以在将with4解析为HTML时使用lxml.soupparser
作为后备
from lxml.html import soupparser
# ...
try:
parser = XMLParser(ns_clean=True,recover=True)
tree = ET.parse(\'foo.html\',parser)
except UnicodeDecodeError:
tree = soupparser.parse(\'foo.html\')
, groups = re.findall(r\'(Catalina 320)*.*These boats,r.read(),re.DOTALL)
分组中的第一组将包含Catalina 320比赛列表。
, 包含名称为“'foo.html \”的文件
<body>
<tag>Blah blah blah</tag>
<tag>**Catalina 320**</tag>
<tag>Blah<tag>
<td>**Catalina 320**</td>
</tag>Blah Blah </tag>
<tag>**These boats** are fully booked for the day</tag>
<tag>Blah blah blah</tag>
<tag>Catalina 320</tag>
<tag>Catalina 320</tag>
</body>
码:
from time import clock
n = 1000
########################################################################
import lxml.etree as ET
from lxml.etree import XMLParser
parser = XMLParser(ns_clean=True,recover=True)
etree = ET.parse(\'foo.html\',parser)
te = clock()
for i in xrange(n):
resultsArray = []
for thing in etree.findall(\"//\"):
if \"These boats\" in thing.text:
break
elif \"Catalina 320\"in thing.text:
resultsArray.append(ET.tostring(thing).strip())
tf = clock()
print \'Solution with lxml\'
print tf-te,\'\\n\',resultsArray
########################################################################
with open(\'foo.html\') as f:
text = f.read()
import re
print \'\\n\\n----------------------------------\'
rigx = re.compile(\'(Catalina 320)(?:(?:.(?!Catalina 320))*These boats.*\\Z)?\',re.DOTALL)
te = clock()
for i in xrange(n):
yi = rigx.findall(text)
tf = clock()
print \'Solution 1 with a regex\'
print tf-te,yi
print \'\\n----------------------------------\'
ragx = re.compile(\'(Catalina 320)|(These boats)\')
te = clock()
for i in xrange(n):
li = []
for mat in ragx.finditer(text):
if mat.group(2):
break
else:
li.append(mat.group(1))
tf = clock()
print \'Solution 2 with a regex,similar to solution with lxml\'
print tf-te,li
print \'\\n----------------------------------\'
regx = re.compile(\'(Catalina 320)\')
te = clock()
for i in xrange(n):
ye = regx.findall(text,text.find(\'These boats\') if \'These boats\' in text else len(text))
tf = clock()
print \'Solution 3 with a regex\'
print tf-te,ye
结果
Solution with lxml
0.30324105438
[\'<tag>**Catalina 320**</tag>\',\'<td>**Catalina 320**</td>\']
----------------------------------
Solution 1 with regex
0.0245033935877
[\'Catalina 320\',\'Catalina 320\']
----------------------------------
Solution 2 with a regex,similar to solution with lxml
0.0233258696287
[\'Catalina 320\',\'Catalina 320\']
----------------------------------
Solution 3 with regex
0.00784708671074
[\'Catalina 320\',\'Catalina 320\']
我的正则表达式解决方案出了什么问题?
时间:
lxml-100%
解决方案1-8.1%
溶液2-7.7%
溶液3-2.6%
使用正则表达式不需要文本为XML或HTML文本。
。
那么,还有哪些假说正则表达式不如lxml处理这个问题呢?
编辑1
rigx = re.compile(\'(Catalina 320)(?:(?:.(?!Catalina 320))*These boats.*\\Z)?\',re.DOTALL)
的解决方案不好:
如果不存在“'Catalina 320'”之前,则此正则表达式将捕获位于“这些船”之后的“ Catalina 320”的发生
该模式必须是:
rigx = re.compile(\'(<tag>Catalina 320</tag>)(?:(?:.(?!<tag>Catalina 320</tag>))*These boats.*\\Z)?|These boats.*\\Z\',re.DOTALL)
但这与其他解决方案相比是一个相当复杂的模式
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。