踩坑日记（三）re.split()篇

在解析网页时，有一个需求是将网页内容按<h2>.*<h2>划分开，很容易想到，re.split()可以实现这一功能。

话不多说，我们进入正题：

import re

test_data = """
今天天气真不错
<h2>是的</h2>
真不错啊
真不错
"""

res = re.findall(r'<h2>.*</h2>', test_data, re.S)
print(res)

输出

['\n今天天气真不错\n', '\n真不错啊\n真不错\n']

很简单，实现了我们的需求。那么，我们再改一下test_data试试：

import re

test_data = """
今天天气真不错
<h2>是的
</h2>
真不错啊
真不错
"""

res = re.split(r'<h2>.*</h2>', test_data, re.S)
print(res)

输出：

['\n今天天气真不错\n<h2>是的\n</h2>\n真不错啊\n真不错\n']

仔细看，我们仅仅是添加了个换行，就导致我们写的正则表达式不起作用

我们把split换成findall试试：

import re

test_data = """
今天天气真不错
<h2>是的
</h2>
真不错啊
真不错
"""

res = re.findall(r'<h2>.*</h2>', test_data, re.S)
print(res)

输出：

['<h2>是的\n</h2>']

看起来findall是没问题的，我们看下re.S的作用

re.S在re.findall中是起了作用的，但在re.split就失效了，此时，我们已经明确了原因：

re.S未起作用

于是，我看了下re.split的函数说明：

我们是这样写的：res = re.split(r'<h2>.*</h2>', test_data, re.S)

发现问题了吗？我们将maxsplit参数设置为re.S了

正确的写法应该是这样：

import re

test_data = """
今天天气真不错
<h2>是的
</h2>
真不错啊
真不错
"""

res = re.split(r'<h2>.*</h2>', test_data, flags=re.S)
print(res)

输出：

['\n今天天气真不错\n', '\n真不错啊\n真不错\n']

这时，有些同学可能会问：为什么findall可以正确提取呢？

我们来看下re.findall的函数说明：

可以看出，re.findall的第三个参数就是flags，所以，将re.S写在re.findall函数的第三个参数的位置是没有任何问题的。

那么，有没有更省心的办法呢？

当然有！！！！

我们使用re.compile函数：

import re

test_data = """
今天天气真不错
<h2>是的
</h2>
真不错啊
真不错
"""

pattern = re.compile(r'<h2>.*</h2>', re.S)

res = pattern.split(test_data)
print(res)

输出：

['\n今天天气真不错\n', '\n真不错啊\n真不错\n']

同样实现了我们的需求。

在日常开发中，在用到正则的地方，我们应养成使用re.compile编译正则表达式的好习惯，这样写不但可以避免犯这篇文章同样的错误，还能提升效率。