点和星 + re.M + re.S

点.和星*

普通的html中的title，一般格式是：

<!DOCTYPE html><html lang="zh-cn">\n<head>  。。。  <title>三维推关于短网址_二维码_多场景应用过期使用提醒</title> 。。。</body></html>

此处想要去匹配其中的title中的内容

所以用

  • 语法：.+
    • . = 点：任意字符
    • + = 加号：1或任意个数，即 >=1 个

或者再加上个问号：

  • ?：表示能匹配上的字符，越少越好
    • 比如万一遇到特殊情况：
      • <title>xxx<title>yyy</title>
        • 加了问号，就只匹配 <title>yyy</title>，得到title值是yyy
        • 不加问号，则就是 贪婪匹配，则匹配到<title>xxx<title>yyy</title>，得到title值是xxx<title>yyy

代码：

# Function: Python re greedy demo
# Author: Crifan Li
# Update: 20210719

import re

inputStr = "<title>xxx</title>yyy</title>"

normalGreedyMatchPattern = "<title>(?P<matchTitle>.+)</title>"
foundGreedyTitle = re.search(normalGreedyMatchPattern, inputStr)
if foundGreedyTitle:
    greedyMatchTitle = foundGreedyTitle.group("matchTitle")
    print("greedyMatchTitle=%s" % greedyMatchTitle)
    # greedyMatchTitle=xxx</title>yyy

nonGreedyMatchPattern = "<title>(?P<matchTitle>.+?)</title>"
foundNonGreedyTitle = re.search(nonGreedyMatchPattern, inputStr)
if foundNonGreedyTitle:
    nonGreedyMatchTitle = foundNonGreedyTitle.group("matchTitle")
    print("nonGreedyMatchTitle=%s" % nonGreedyMatchTitle)
    # nonGreedyMatchTitle=xxx

简述：

  • "<title>xxx</title>yyy</title>"
    • 默认=贪婪匹配=尽量多匹配：<title>(?P<matchTitle>.+)</title>
      • greedyMatchTitle=xxx</title>yyy
    • 非贪婪匹配 = 尽量少匹配：<title>(?P<matchTitle>.+?)</title>
      • nonGreedyMatchTitle=xxx

完整代码：

foundTitle = re.search("<title>(?P<title>.+?)</title>", respHtml, re.I)

就可以提取出：title值：

三维推关于短网址_二维码_多场景应用过期使用提醒

遇到title为空的情况

<!DOCTYPE html><html lang="en"><head>xxx<title></title>xxx</html>

也能匹配到，则就要把：

.+?

改为：

.*

代码：

foundTitle = re.search("<title>(?P<title>.*?)</title>", respHtml, re.I)

才能匹配到此处的：

title=空的字符串=''

遇到输入的字符串（此处的html）中包含回车换行符的

<!DOCTYPE html>\r\n<html lang="zh-CN">\r\n<head>\r\n  <meta charset="UTF-8">\r\n  <meta name=。。。>\r\n  。。。         doc.addEventListener(\'DOMContentLoaded\', recalc, false);\r\n      })(document, window);\r\n  </script>\r\n  <title></title>。。。

则就要，新增参数

re.M

代码：

foundTitle = re.search("<title>(?P<title>.*?)</title>", respHtml, re.I|re.M)

解释：

  • re.M = re.MULTILINE=多行模式：允许输入的字符串本身是多行的 == 字符串本身内部带回车换行符（\r或\n）的
    • 此处输入的html中，包含多个\r和\n
      • 用了re.M模式，才能匹配到

遇到title值中间包含换行符

'\r\n\r\n<!DOCTYPE html>\r\n\r\n<html>\r\n<head>。。。</script>\r\n    <title>\r\n\t网址信息\r\n</title></head>\r\n<body>

加参数：

  • re.S = re.DOTALL = dot match all char=点.匹配所有字符
    • 作用：用.去匹配任意字符时，也能匹配到换行符
      • 对比：默认的话，.去匹配任意字符，是不包含换行符的
    • 对应着此处的
      • <title>\r\n\t网址信息\r\n</title>
        • 中的： \r\n\t网址信息\r\n
          • 其中的 点. 也能匹配到\r和\n

代码：

foundTitle = re.search("<title>(?P<title>.*?)</title>", respHtml, re.I|re.M|re.S)

后记

此处，顺带说一下，可见，如果用re正则，去匹配html，则显得很复杂，很不好写出完美的正则去匹配所有特殊情况

所以，单独对于解析html字符串来说，推荐用专门的独立的库：

  • html中，变数很多，为了完美兼容，常见的各种情况，甚至包括html标签语法有问题的情况，建议用：
    • 专门的html的解析的库，比如BeautifulSoup，第四版=version 4简称bs4
      • BeautifulSoup
          pip install bs4

results matching ""

    No results matching ""