python中的可选单词regex

Question

我试图创建一个regex来从python的html页面中提取电话，streetAddress，页面值（9440717256，H.No.3-11-62，RTC Colony….）。这三个字段是可选的我尝试了这个正则表达式，但是输出不一致

telephone\S+>(.+)</em>.*(?:streetAddress\S+(.+)</span>)?.*(?:pages\S+>(.+)</a></span>)?

示例字符串

^{pr2}$

有人能帮我建立正则表达式吗？在

Answer 1

考虑到您的输入不是有效的HTML并且它可能会发生更改，您可以使用类似BeautifulSoup的HTML解析器。这些简单的选择符将适应这些输入。在

from bs4 import BeautifulSoup

h = """<em phone="**telephone**">9440717256</em></div></div></li><li class="row"><i class="icon-sm icon-address"></i><div class="profile-details"><strong>Address</strong><div class="profi`enter code here`le-child"><address itemprop="address" itemscope="" itemtype="http://schema.org/PostalAddress" class="data-item"><span itemprop="**streetAddress**">H.No. 3-11-62, RTC Colony</span>, <span>Vastu Colony, </span><span class="text-black" itemprop="addressLocality"><a href="/hyderabad/lal-bahadur-nagar/allcategory.aspx" title="**Pages**">Lal Bahadur Nagar</a></span>"""
soup = BeautifulSoup(h)

编辑：既然您现在告诉我们您需要具有指定属性值的元素的文本，那么您可以use a function as filter。在

^{pr2}$

输出：

9440717256
H.No. 3-11-62, RTC Colony
Lal Bahadur Nagar

Answer 2

Regex是安全的，如果你知道HTML提供者，里面的代码是什么样子的。在

然后，只需使用交替和命名的捕获组。在

telephone[^>]*>(?P<Telephone>[^<]+)|streetAddress[^>]*>(?P<Address>[^<]+)|Pages[^>]*>(?P<Pages>[^<]+)

见demo

如果>未序列化，可以使用以下regex（更通用的regex，edit：现在，详细说明）：

^{pr2}$

Sample demo on IDEONE

粘贴regex代码部分：

p = re.compile(ur'''telephone[^<]*>        # Looking for telephone
  (?P<Telephone>[^<]+) # Capture telephone (all text up to the next tag)
|
streetAddress[^<]*>    # Looking for streetAddress
  (?P<Address>[^<]+)   # Capture address (all text up to the next tag)
|
Pages[^<]*>            # Looking for Pages
  (?P<Pages>[^<]+)     # Capture Pages (all text up to the next tag)''', re.IGNORECASE | re.VERBOSE)
test_str = "YOUR STRING"
print filter(None, [x.group("Telephone") for x in re.finditer(p, test_str)])
print filter(None, [x.group("Address") for x in re.finditer(p, test_str)])
print filter(None, [x.group("Pages") for x in re.finditer(p, test_str)])

输出（加倍的结果是我用不同的节点顺序复制输入字符串的结果）：

[u'9440717256', u'9440717256']
[u'H.No. 3-11-62, RTC Colony', u'H.No. 3-11-62, RTC Colony']
[u'Lal Bahadur Nagar', u'Lal Bahadur Nagar']