使用Python和正则表达式在HTML中查找表单

Question

我有下面的代码来检查电子邮件正文中是否有公式内容，但我不明白这个字符串'<\s?\/?\s?form\s?>'是什么意思，以及是否有其他方法来检查电子邮件中是否存在公式内容

这是我写的代码：

class HTMLFormFinder(FeatureFinder):
    def getFeature(self, message):
        import re
        super(HTMLFormFinder, self).getFeature(message)
        payload = utils.getpayload(message).lower()
        return re.compile(r'<\s?\/?\s?form\s?>', re.IGNORECASE).search(payload)!= None

提前谢谢

Answer 1

这就是所谓的正则表达式。这是一种匹配遵循特定模式的字符串的方法

https://docs.python.org/3.7/library/re.html

这里r'<\s?\/?\s?form\s?>'描述了一个<form>HTML标记，在HTML错误/格式错误的情况下有几个回退，特别是它处理可能出现在标记名form旁边的空白

检查表单是否存在的更好方法是使用XML/HTML解析器，如ElementTree、BeautifulSoup，因为它们比正则表达式更好地处理坏的/不正确的HTML。但是如果你想保持简单，你的正则表达式就足够了

• https://docs.python.org/3.7/library/xml.etree.elementtree.html
• https://www.crummy.com/software/BeautifulSoup/bs4/doc/

使用BeautifulSoup，您可以执行以下操作：

from bs4 import BeautifulSoup

soup = BeautifulSoup(html)
has_form = len(soup.find('form')) > 0

Answer 2

您可以在此处阅读有关正则表达式的更多信息： https://docs.python.org/2/library/re.html

特别是\s匹配任何空格字符