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>
    
2020-02-23 5 条评论
分享

没有找到相关结果

    已邀请:

    社攻取墟槽

            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])
        
    2020-02-23 0 0
    分享

    耐扫鹤胶鞭

            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\')
        
    2020-02-23 0 0
    分享

    替秀宝

            
    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。     
    2020-02-23 0 0
    分享

    场竟矩喘崩

            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,\'\\n\',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,\'\\n\',li


print \'\\n----------------------------------\'

regx = re.compile(\'(Catalina 320)\')

te = clock()
for i in xrange(n):
    ye = regx.findall(text, 0, text.find(\'These boats\') if \'These boats\' in text else len(text)) 
tf = clock()

print \'Solution 3 with a regex\'
print tf-te,\'\\n\',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     
    2020-02-23 0 0
    分享
    为什么被折叠? 0 个回复被折叠

    要回复问题请先登录或注册

    或代码 OrCode.com 备案号：粤ICP备15020848号-1
    Escape time: 0.057014942169189