python - 在 Python 正则表达式搜索中匹配字符串的通配符

Question

我想我会编写一些快速代码来下载 Facebook 页面的“粉丝”数量。

出于某种原因，尽管我已经尝试了相当多的迭代，但我无法获得以下代码来挑选 HTML 中的粉丝数量。在这种情况下，我在网上找到的其他解决方案都没有正确匹配正则表达式。肯定有可能在两个匹配位之间有一些通配符吗？

我要匹配的文本是“6 of X fans”，其中 X 是一个页面拥有的任意数量的粉丝 - 我想得到这个数字。

我正在考虑间歇性地轮询这些数据并写入一个文件，但我还没有抽出时间去做。我也想知道这是否朝着正确的方向发展，因为代码看起来很笨重。 :)

import urllib
import re

fbhandle = urllib.urlopen('http://www.facebook.com/Microsoft')
pattern = "6 of(.*)fans" #this wild card doesnt appear to work?
compiled = re.compile(pattern)

for lines in fbhandle.readlines():
        ms = compiled.match(lines)
        print ms #debugging
        if ms: break
#ms.group()
print ms
fbhandle.close()

Answer 1

Evan Fosmark 已经给出了很好的答案。这只是更多信息。

你有这一行:

pattern = "6 of(.*)fans"

一般来说，这不是一个好的正则表达式。如果输入文本是:

“整个粉丝群中的 99 个粉丝中有 6 个”

然后匹配组(括号内的内容)将是:

《全银河99个粉丝》

因此，我们想要一种模式，即使是像上面这样愚蠢的输入文本，也能捕获你想要的东西。

在这种情况下，是否匹配空格并不重要，因为当您将字符串转换为整数时，空格会被忽略。但是让我们编写忽略空白的模式。

使用* 通配符，可以匹配长度为零的字符串。在这种情况下，我认为你总是想要一个非空匹配，所以你想使用 + 来匹配一个或多个字符。

Python 有可用的非贪婪匹配，所以你可以用它重写。带有正则表达式的老程序可能没有非贪婪匹配，所以我也会给出一个不需要非贪婪匹配的模式。

因此，非贪婪模式:

pattern = "6 of\s+(.+?)\s+fans"

另一个:

pattern = "6 of\s+(\S+)\s+fans"

\s 表示“任何空白”，将匹配空格、制表符和一些其他字符(例如“换页”)。 \S 表示“任何非空白”并匹配 \s 不匹配的任何内容。

第一个模式比你的第一个带有愚蠢输入文本的模式做得更好:

“整个粉丝群中的 99 个粉丝中有 6 个”

它将返回只有 99 的匹配组。

但试试其他愚蠢的输入文本:

“99 个疯狂粉丝中的 6 个”

它将返回 99 crazed 的匹配组。

第二个模式根本不匹配，因为“疯狂”这个词不是“粉丝”这个词。

嗯。这是最后一个模式，即使是愚蠢的输入文本也应该总是做正确的事情:

pattern = "6 of\D*?(\d+)\D*?fans"

\d 匹配任何数字('0' 到 '9')。 \D 匹配任何非数字。

这将成功匹配任何远程无歧义的内容:

“整个粉丝群中的 99 个粉丝中有 6 个”

匹配组将为 99。

“99 个疯狂粉丝中的 6 个”

匹配组将为 99。

“99 41 粉丝中的 6”

它不会匹配，因为那里还有第二个数字。

要了解有关 Python 正则表达式的更多信息，您可以阅读 various web pages .快速提醒一下，在 Python 解释器中，执行以下操作:

>>> import re
>>> help(re)

当您从网页“抓取”文本时，有时可能会与 HTML 代码发生冲突。一般来说，正则表达式不是忽略 HTML 或 XML 标记的好工具(参见 here )；你可能会更好地使用 Beautiful Soup解析 HTML 并提取文本，然后使用正则表达式来获取您真正想要的文本。

我希望这很有趣和/或有教育意义。