python - 如何确保 re.findall() 停在正确的位置？

Question

这是我的代码:

a='<title>aaa</title><title>aaa2</title><title>aaa3</title>'
import re
re.findall(r'<(title)>(.*)<(/title)>', a)

结果是:

[('title', 'aaa</title><title>aaa2</title><title>aaa3', '/title')]

如果我曾经设计过一个爬虫来获取网站标题，我最终可能会得到类似这样的东西而不是网站标题。

我的问题是，如何限制 findall到一个<title></title> ？

Answer 1

如果您只想要一个匹配项，请使用 re.search 而不是 re.findall:

>>> s = '<title>aaa</title><title>aaa2</title><title>aaa3</title>'
>>> import re
>>> re.search('<title>(.*?)</title>', s).group(1)
'aaa'

如果您想要所有标签，那么您应该考虑将其更改为非贪婪的(即 - .*?):

print re.findall(r'<title>(.*?)</title>', s)
# ['aaa', 'aaa2', 'aaa3']     

但真的要考虑使用 BeautifulSoup 或 lxml 或类似的工具来解析 HTML。