V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
推荐学习书目
Learn Python the Hard Way
Python Sites
PyPI - Python Package Index
http://diveintopython.org/toc/index.html
Pocoo
值得关注的项目
PyPy
Celery
Jinja2
Read the Docs
gevent
pyenv
virtualenv
Stackless Python
Beautiful Soup
结巴中文分词
Green Unicorn
Sentry
Shovel
Pyflakes
pytest
Python 编程
pep8 Checker
Styles
PEP 8
Google Python Style Guide
Code Style from The Hitchhiker's Guide
pc10201
V2EX  ›  Python

如何优雅的实现正则提取

  •  
  •   pc10201 · 2015-04-12 12:45:18 +08:00 · 3507 次点击
    这是一个创建于 3498 天前的主题,其中的信息可能已经有所发展或是发生改变。
    比如我要去百度首页的title,这是目前的写法

    #!/usr/bin/env python
    # -*- coding: utf-8 -*-
    # Created on 2015/4/12

    import re
    import requests

    title_re=re.compile(r'<title>(.*?)</title>')
    r=requests.get('http://www.baidu.com')
    title=title_re.search(r.content).group(1)
    print title

    有没有更优雅的正则实现方式?
    14 条回复    2015-04-12 21:16:36 +08:00
    Septembers
        1
    Septembers  
       2015-04-12 12:59:48 +08:00 via Android
    re.search(r'<title>(.*?)</title>', r.content)
    leyle
        2
    leyle  
       2015-04-12 13:01:26 +08:00
    我喜欢使用 findall()
    gyorou
        4
    gyorou  
       2015-04-12 13:55:24 +08:00
    046569
        5
    046569  
       2015-04-12 13:58:20 +08:00
    解析HTML结构,而不是使用正则提取.
    mornlight
        6
    mornlight  
       2015-04-12 14:56:39 +08:00
    零宽断言:
    (?<=\<title\>)[\s\S]*?(?=\</title\>)
    wdhwg001
        7
    wdhwg001  
       2015-04-12 17:31:49 +08:00 via iPhone   ❤️ 1
    @mornlight 不能这样判断,你还要判断title里有没有属性。
    另外title是少数几个可以用正则处理的html标签,因为它没有嵌套,而正文是不可能用正则的,除非使用平衡组(js等的正则不支持平衡组,而C#支持)…
    ghovik
        8
    ghovik  
       2015-04-12 17:42:03 +08:00
    这个文风的标题不应该出现在知乎上麽~~
    silvernoo
        9
    silvernoo  
       2015-04-12 17:43:03 +08:00
    为什么不用XPath
    ETiV
        10
    ETiV  
       2015-04-12 17:59:38 +08:00   ❤️ 4
    这问题就好比:

    如何优雅的直接用手去擦屁股
    frankzeng
        11
    frankzeng  
       2015-04-12 21:01:34 +08:00 via Android
    干嘛用正则表达式?费力又不讨好,像楼上说的用手擦砒屁股,什么姿势都恶心
    mengzhuo
        12
    mengzhuo  
       2015-04-12 21:07:15 +08:00
    同意@ETiV
    不过文艺点的说法是:
    结构化文档请用解析器
    dingyaguang117
        13
    dingyaguang117  
       2015-04-12 21:08:18 +08:00
    xpath +1
    jimmy66
        14
    jimmy66  
       2015-04-12 21:16:36 +08:00
    title=re.search(r'<title>(.*)</title>',r).group(1)
    可以一句话写完的,短即优雅。
    正文用正则也不是不可能,用跨行正则取出对应的代码段,然后<.*?>replace掉标签就可以了
    当然这么做很蛋疼,还是推荐用 lxml,pyquery ,beautiful soup 这种,用熟了,用于xml解析也会有很大帮助
    最后求不用知乎体....
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   实用小工具   ·   3485 人在线   最高记录 6679   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 24ms · UTC 10:32 · PVG 18:32 · LAX 02:32 · JFK 05:32
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.