php 正则表达式获取html标签内容_Python正则表达式的使用方法（下）

转义匹配

我们知道正则表达式定义了许多匹配模式，如.匹配除换行符以外的任意字符，但是如果目标字符串里面它就包含.我们改怎么匹配？

那么这里就需要用到转义匹配了，我们用一个实例来感受一下：

import re

content = '(百度)www.baidu.com'

result = re.match('(百度)www.baidu.com', content)

print(result)

当遇到用于正则匹配模式的特殊字符时，我们在前面加反斜线来转义一下就可以匹配了。例如.我们就可以用.来匹配，运行结果：

<_sre.sre_match object span="(0," match="(百度)www.baidu.com">

可以看到成功匹配到了原字符串。

以上是写正则表达式常用的几个知识点，熟练掌握上面的知识点对后面我们写正则表达式匹配非常有帮助。

search()

我们在前面提到过match()方法是从字符串的开头开始匹配，一旦开头不匹配，那么整个匹配就失败了。

我们看下面的例子：

import re

content = 'Extra stings Hello 1234567 World_This is a Regex Demo Extra stings'

result = re.match('Hello.?(d+).?Demo', content)

print(result)

在这里我们有一个字符串，它是以Extra开头的，但是正则表达式我们是以Hello开头的，整个正则表达式是字符串的一部分，但是这样匹配是失败的，也就是说只要第一个字符不匹配整个匹配就不能成功，运行结果如下：

None

所以match()方法在我们在使用的时候需要考虑到开头的内容，所以在做匹配的时候并不那么方便，它适合来检测某个字符串是否符合某个正则表达式的规则。

所以在这里就有另外一个方法search()，它在匹配时会扫描整个字符串，然后返回第一个成功匹配的结果，也就是说，正则表达式可以是字符串的一部分，在匹配时，search()方法会依次扫描字符串，直到找到第一个符合规则的字符串，然后返回匹配内容，如果搜索完了还没有找到，那就返回None。

我们把上面的代码中的match()方法修改成search()，再看下运行结果：

<_sre.sre_match object span="(13," match="Hello 1234567 World_This is a Regex Demo">

1234567

这样就得到了匹配结果。

所以说，为了匹配方便，我们可以尽量使用search()方法。

下面我们再用几个实例来感受一下search()方法的用法。

首先这里有一段待匹配的HTML文本，我们接下来写几个正则表达式实例来实现相应信息的提取。

html = '''

经典老歌

经典老歌列表

一路上有你

沧海一声笑

往事随风

光辉岁月记事本

但愿人长久

'''

观察到

• 节点里面有许多
• 节点，其中
• 节点有的包含节点，有的不包含节点，节点还有一些相应的属性，超链接和歌手名。

  首先我们尝试提取class为active的

• 节点内部的超链接包含的歌手名和歌名。

  所以我们需要提取第三个

• 节点下的节点的singer属性和文本。

  所以正则表达式可以以

• 开头，然后接下来寻找一个标志符active，中间的部分可以用.?来匹配，然后接下来我们要提取singer这个属性值，所以还需要写入singer="(.?)"，我们需要提取的部分用小括号括起来，以便于用group()方法提取出来，它的两侧边界是双引号，然后接下来还需要匹配节点的文本，那么它的左边界是>，右边界是，所以我们指定一下左右边界，然后目标内容依然用(.?)来匹配，所以最后的正则表达式就变成了(.*?)'，然后我们再调用search()方法，它便会搜索整个HTML文本，找到符合正则表达式的第一个内容返回。

另外由于代码有换行，所以这里第三个参数需要传入re.S

所以整个匹配代码如下：

result = re.search('

(.?)', html, re.S)

if result:

print(result.group(1), result.group(2))

由于我们需要获取的歌手和歌名都已经用了小括号包围，所以可以用group()方法获取，序号依次对应group()的参数。

运行结果：

齐秦 往事随风

可以看到这个正是我们想提取的class为active的

节点内部的超链接包含的歌手名和歌名。

那么正则表达式不加active会怎样呢？也就是匹配不带class为active的节点内容，我们将正则表达式中的active去掉，代码改写如下：

result = re.search('

(.*?)', html, re.S)

if result:

print(result.group(1), result.group(2))

由于search()方法会返回第一个符合条件的匹配目标，那在这里结果就变了。

运行结果如下：

任贤齐 沧海一声笑

因为我们把active标签去掉之后，从字符串开头开始搜索，符合条件的节点就变成了第二个

节点，后面的就不再进行匹配，所以运行结果自然就变成了第二个节点中的内容。

注意在上面两次匹配中，search()方法的第三个参数我们都加了re.S，使得.*?可以匹配换行，所以含有换行的

节点被匹配到了，如果我们将其去掉，结果会是什么？

result = re.search('

(.*?)', html)

if result:

print(result.group(1), result.group(2))

运行结果：

beyond 光辉岁月

可以看到结果就变成了第四个

节点的内容，这是因为第二个和第三个标签都包含了换行符，去掉re.S之后，.*?已经不能匹配换行符，所以正则表达式不会匹配到第二个和第三个节点，而第四个节点中不包含换行符，所以成功匹配。

由于绝大部分的HTML文本都包含了换行符，所以通过上面的例子，我们尽量都需要加上re.S修饰符，以免出现匹配不到的问题。

findall()

在前面我们说了search()方法的用法，它可以返回匹配正则表达式的第一个内容，但是如果我们想要获取匹配正则表达式的所有内容的话怎么办？这时就需要借助于findall()方法了。

findall()方法会搜索整个字符串然后返回匹配正则表达式的所有内容。

还是上面的HTML文本，如果我们想获取所有节点的超链接、歌手和歌名，就可以将search()方法换成findall()方法。如果有返回结果的话就是list类型，所以我们需要遍历一下list来获依次获取每组内容。

results = re.findall('

(.*?)', html, re.S)

print(results)

print(type(results))

for result in results:

print(result)

print(result[0], result[1], result[2])

运行结果：

[('/2.mp3', '任贤齐', '沧海一声笑'), ('/3.mp3', '齐秦', '往事随风'), ('/4.mp3', 'beyond', '光辉岁月'), ('/5.mp3', '陈慧琳', '记事本'), ('/6.mp3', '邓丽君', '但愿人长久')]

('/2.mp3', '任贤齐', '沧海一声笑')

/2.mp3 任贤齐 沧海一声笑

('/3.mp3', '齐秦', '往事随风')

/3.mp3 齐秦 往事随风

('/4.mp3', 'beyond', '光辉岁月')

/4.mp3 beyond 光辉岁月

('/5.mp3', '陈慧琳', '记事本')

/5.mp3 陈慧琳 记事本

('/6.mp3', '邓丽君', '但愿人长久')

/6.mp3 邓丽君 但愿人长久

可以看到，返回的list的每个元素都是tuple类型，我们用对应的索引依次取出即可。

所以，如果只是获取第一个内容，可以用search()方法，当需要提取多个内容时，就可以用findall()方法。

sub()

正则表达式除了提取信息，我们有时候还需要借助于它来修改文本，比如我们想要把一串文本中的所有数字都去掉，如果我们只用字符串的replace()方法那就太繁琐了，在这里我们就可以借助于sub()方法。

我们用一个实例来感受一下：

import re

content = '54aK54yr5oiR54ix5L2g'

content = re.sub('d+', '', content)

print(content)

运行结果：

aKyroiRixLg

在这里我们只需要在第一个参数传入d+来匹配所有的数字，然后第二个参数是替换成的字符串，要去掉的话就可以赋值为空，第三个参数就是原字符串。

得到的结果就是替换修改之后的内容。

那么在上面的HTML文本中，如果我们想正则获取所有

节点的歌名，如果直接用正则表达式来提取可能比较繁琐，比如可以写成这样子：

results = re.findall('

s?()?(w+)()?s?', html, re.S)

for result in results:

print(result[1])

运行结果：

一路上有你

沧海一声笑

往事随风

光辉岁月

记事本

但愿人长久

但如果我们借助于sub()函数就比较简单了，我们可以先用sub()函数将节点去掉，只留下文本，然后再利用findall()提取就好了。

html = re.sub('|', '', html)

print(html)

results = re.findall('

(.*?)', html, re.S)

for result in results:

print(result.strip())

运行结果：

经典老歌

经典老歌列表

一路上有你

沧海一声笑

往事随风

光辉岁月记事本

但愿人长久

一路上有你

沧海一声笑

往事随风

光辉岁月

记事本

但愿人长久

可以到标签在经过sub()函数处理后都没有了，然后再findall()直接提取即可。所以在适当的时候我们可以借助于sub()方法做一些相应处理可以事半功倍。

compile()

前面我们所讲的方法都是用来处理字符串的方法，最后再介绍一个compile()方法，这个方法可以讲正则字符串编译成正则表达式对象，以便于在后面的匹配中复用。

import re

content1 = '2016-12-15 12:00'

content2 = '2016-12-17 12:55'

content3 = '2016-12-22 13:21'

pattern = re.compile('d{2}:d{2}')

result1 = re.sub(pattern, '', content1)

result2 = re.sub(pattern, '', content2)

result3 = re.sub(pattern, '', content3)

print(result1, result2, result3)

例如这里有三个日期，我们想分别将三个日期中的时间去掉，所以在这里我们可以借助于sub()方法，sub()方法的第一个参数是正则表达式，但是这里我们没有必要重复写三个同样的正则表达式，所以可以借助于compile()函数将正则表达式编译成一个正则表达式对象，以便复用。

运行结果：

2016-12-15 2016-12-17 2016-12-22

另外compile()还可以传入修饰符，例如re.S等修饰符，这样在search()、findall()等方法中就不需要额外传了。所以compile()方法可以说是给正则表达式做了一层封装，以便于我们更好地复用。

到此为止，正则表达式的基本用法就介绍完毕了，后面我们会有实战来讲解正则表达式的使用，记得关注我们哦

注：python学习关注我们企鹅qun： 8393 83765 各类入门学习资料免费分享哦！